Sep, 2020

基于 Haar 小波的块自回归流模型用于轨迹预测

PDF
TL;DR本研究提出了一种基于 Haar 小波变换的分块自回归模型，利用分块耦合法，通过对粗糙轨迹条件，精确地对不同时空分辨率下的轨迹进行建模并预测，以提高自主智能体的运行效果。在 Stanford Drone 和 Intersection Drone 两个真实数据集上进行测试，结果表明此模型的生成轨迹精准度和可变性均优于其他条件生成模型。
发现论文，激发创造
  • 多尺度自回归先验的归一化流

    通过在流式生成模型的潜在空间中引入多尺度自回归先验 (mAR)，我们提高了流式模型的表征能力，使得其在密度估计和图像生成方面都获得了新的最好结果。

    Apr, 2020

  • 城市驾驶中可行的离散行为模式的联合预测和规划

    在自动驾驶中，已经取得了训练多模态轨迹预测模型的重大进展，然而，有效地将这些模型与下游规划器和基于模型的控制方法整合仍然是一个待解决的问题。我们提出了一种使用学习的锚点嵌入来预测多条轨迹的最新轨迹预测方法，并发现这些锚点嵌入可以对表示高级驾驶行为的离散且不同模式进行参数化。我们建议在这些离散潜在模式上进行完全反应式的闭环规划，从而可以在每一步追踪建模代理之间的因果交互。在一系列更动态的合并场景上验证了我们的方法，并发现我们的方法避免了常规规划器中普遍存在的 “冻结机器人问题”。在实际速度下评估时，在具有挑战性的密集交通场景中，我们的方法也优于 CARLA 上的先前最先进方法。

    Mar, 2024

  • 神经样条流

    本文介绍基于单调分段函数有理二次样条的神经模型流，在保持解析可逆性的同时提高了耦合和自回归变换的灵活性，并展示了神经样条流在密度估计、变分推断和图像生成建模中的相对表现优良。

    Jun, 2019

  • 神经自回归流

    本篇研究提出了使用单调神经网络替代对条件仿射单变量转换的方法进行流式变换，称之为神经自回归流（NAF）。实验结果显示，NAF 在密度估计任务上表现出色，并在 MNIST 二值化数据集上的变分自编码器训练中表现出优于 IAF 的性能。

    Apr, 2018

  • 具有融合时空图灵活多产生器模型的轨迹预测

    我们提出了一种轨迹预测框架，能够捕捉人行轨迹的社会交互变化和断开的流形，并通过灵活的生成器选择网络学习多个生成器之间的分布。该框架在不同的挑战性数据集上表现出与几个基线方法相比的最先进性能。

    Nov, 2023

  • 混合高斯流用于多样化轨迹预测

    通过使用基于流的模型将混合高斯先验转换为未来轨迹流形，我们提出了一种具有生成多样轨迹模式能力的模型，使得流模型不再只是寻求预期流形上最可能的轨迹，而是一系列具有明确可解释性的受控流形。

    Feb, 2024

  • 三次样条流

    本文介绍一种基于单调三次 B 样条和 LU 分解的耦合变换正则化流，其在密度估计上表现出与自回归流相衔接的效果。

    Jun, 2019

  • 自回归视频模型的扩展

    通过在 Kinetics 数据集上训练基于三维自注意机制的自回归视频生成模型，我们展示了这种概念简单的方法在产生高保真、逼真度更高的视频方面具有竞争力。

    Jun, 2019

  • 多模态车辆轨迹预测的分层潜在结构

    利用层级潜在结构和车道级上下文向量，提升了变分自编码器在基于轨迹预测模型中的性能，生成复杂的多模态轨迹分布，并在预测准确度方面优于现有模型。

    Jul, 2022

  • 基于块的自回归 GAN 用于条件波形合成

    本研究提出了一种新的音频合成模型 Chunked Autoregressive GAN (CARGAN)，它能够在保持较快的生成速度的同时减少漏洞，并且利用自回归的方法来学习瞬时频率和相位之间的关系，使其在有条件的生成音频方面有更好的表现，同时适合于实时或交互式应用。

    Oct, 2021