Goal-GAN: 基于目标位置估计的多模态轨迹预测

Oct, 2020

Goal-GAN: 基于目标位置估计的多模态轨迹预测

Goal-GAN: Multimodal Trajectory Prediction Based on Goal Position Estimation

Patrick Dendorfer, Aljoša Ošep, Laura Leal-Taixé

TL;DR本研究提出了 Goal-GAN，这是一个可解释性且可端到端训练的模型，用于人类轨迹预测，并通过将轨迹预测的任务建模为直观的两阶段过程：目标估计和路由模块，来实现该任务。我们使用了过去的轨迹信息和场景的视觉背景，来估计可能的目标位置的多模态概率分布，并使用其在推断过程中采样一个潜在的目标进行路由。我们使用一个循环神经网络来执行路由任务，该网络能够反应周围物理约束并生成符合这些约束的可行路径。我们的实验结果表明，我们的方法在多个基准测试中建立了一个新的最先进模型，并能够生成符合物理约束的逼真且多样化的轨迹集合。

Abstract

In this paper, we present goal-gan, an interpretable and end-to-end trainable model for human trajectory prediction. Inspired by human navigation, we model the task of trajectory prediction as an intuitive two-st

goal-gan human trajectory prediction goal estimation routing module recurrent neural network

发现论文，激发创造

基于目标驱动的自注意力循环神经网络的轨迹预测

研究人类运动轨迹预测，提出基于注意力机制的轻量级循环模型并结合基于场景感知的目标估计模块，应用于公共数据集，能够在保证预测准确性的前提下，减少模型复杂度。

Apr, 2022

GoalNet: 面向目标区域的行人轨迹预测

通过使用场景上下文和观察到的轨迹预测目标点，再根据目标点预测未来轨迹，GoalNet 可以显著提高行人轨迹预测的性能。

Feb, 2024

基于目标驱动的阶段性网络用于轨迹预测

本文提出了 Stepwise Goal-Driven Network (SGNet) 的循环网络来预测观察到的行人或车辆在多个时间尺度上的轨迹，并通过连续建模目标的变化提供更准确和详细的信息。作者在三个第一人称交通数据集和三个鸟瞰数据集上对模型进行了评估，并展示了在所有数据集上都取得了最先进的结果。

Mar, 2021

基于目标及地图自适应的轨迹预测

通过使用环境中富含地图的车道中心线来提高多模态、长期车辆轨迹预测方法的准确性，实现了汽车行驶的目标方向建模，生成一组已提议的车辆目标路径，并将其用作空间锚点，进而预测基于目标的轨迹和对目标的分类分布，在 6 秒的预测角度内，在内部驾驶数据集和公共 nuScenes 数据集上实验结果表明，该模型的性能优于先进的车辆轨迹预测方法。

Sep, 2020

概率众包 GAN：使用图形车 - 行人注意网络进行多模态行人轨迹预测

本文介绍了一种使用概率多模式预测方法和社交影响建模的新型 GAN，可有效预测人群行为和行人意图，以达到更好的自动驾驶和移动机器人导航效果。

Jun, 2020

一个多阶段目标驱动网络用于行人轨迹预测

该论文提出了一种用于行人轨迹预测的新方法，称为多阶段目标驱动网络 (MGNet)。通过预测中间阶段目标来生成轨迹，以减小预测误差。MGNet 包括条件变分自编码器 (CVAE)、注意力模块和多阶段目标评估器等主要组件。我们通过对 JAAD 和 PIE 数据集进行全面实验，并与最先进的算法进行比较评估，证明了 MGNet 的有效性。

Jun, 2024

社交方式：使用 GAN 学习行人轨迹的多模态分布

本文提出了一种基于 GAN 和 Info-GAN 的行人运动预测方法，通过去除 L2 损失函数并使用多模态预测方式，成功避免了 GAN 中的 mode collapsing 和 dropping 问题，同时在真实数据和合成数据上的实验表明，该方法能够生成更多样化的预测结果，并且能够保留预测分布的模态。

Apr, 2019

Social-BiGAT: 使用自行车生成对抗网络和图神经网络的多模态轨迹预测

本论文提出了 Social-BiGAT，一种基于图形的生成对抗网络，可通过更好地建模场景中行人之间的社交互动来生成逼真的多模态轨迹预测。与现有文献相比，我们通过图形注意力网络（GAT）学习可靠的特征表示来编码场景中人类之间的社会互动，以及逆变换场景和潜在噪音向量之间的关系，相对于其他基准测试结果，该框架实现了最先进的性能。

Jul, 2019

BiTraP: 双向行人轨迹预测与多模态目标估计

本论文介绍了一种基于条件变分自编码器的双向多模态轨迹预测方法 BiTraP，该方法采用目标条件化方法和双向编 / 解码器结构以提高长期轨迹预测准确性，其在第一人称视角和鸟瞰视角均表现良好，比最先进的轨迹预测方法提高了约 10-50%。研究还发现，CVAE 中的目标模型对预测的多模态轨迹分布产生直接影响，这为碰撞回避和导航系统等机器人应用的轨迹预测器设计提供了指导。

Jul, 2020

DAG-Net: 双重注意力图神经网络用于轨迹预测

提出了一种新的递归生成模型，通过使用双重基于注意力的图神经网络，考虑单个代理未来的目标和不同代理之间的交互以及集成他们之间的相互影响信息，实现对人类行为多模式的更好预测，并在城市和运动场景中取得了最新的研究成果。

May, 2020