我们提出了一种轻量级的等变规划模型,它在生成所有车辆的多模态联合预测并选择一个模态作为自主计划时,结合了运动预测和轨迹规划。通过嵌入车辆位置并在潜在空间中沿着高级路线指导自主车辆,我们的方法提供了具有目标导向行为的等变规划,同时在保持等变性的同时不强制汽车始终沿着确切的路线行驶。我们在具有挑战性的 nuScenes 数据集上进行实验,结果表明,我们规划的轨迹在输入场景的旋转平移下稳定,验证了我们模型的等变性。尽管只使用了数据集的一小部分进行训练,但我们的方法在 3 秒内改善了 20.6%的 L2 距离,并超过了最先进的方法。
Mar, 2024
本研究针对多智能体动态问题,提出能更好地进行概率预测的 PECCO 深度动态模型,并利用旋转等变性来提高预测精度和不确定性校准。PECCO 可显著改善非等变基准模型的准确性和校准,其应用前景广阔。
May, 2022
通过使用 EqMotion 等价粒子和人体预测模型以及多模态预测机制,我们的模型在较少参数(120 万)和显著减少的训练时间(少于 2 小时)的情况下实现了最先进的性能,实现了多智能体车辆运动预测任务。
Oct, 2023
使用 EquiDiff,一种基于条件扩散模型的深度生成模型,该模型能够通过结合历史信息和随机高斯噪声生成未来的车辆轨迹,并且通过应用循环神经网络和图注意力网络来提取历史轨迹中的社交互动。在对 NGSIM 数据集进行广泛实验证明,EquiDiff 在短期预测上优于其他基准模型,但在长期预测方面具有稍高的误差,并通过消融研究探究了 EquiDiff 的各个组成部分对预测准确性的贡献,并提供了扩散模型生成过程的可视化,以揭示预测的不确定性。
Aug, 2023
在自动驾驶中,深度学习实现的动作预测是一个热门话题。这项研究引入了一种具备几何等变性和交互不变性的突破性移动预测模型 EqMotion,在自动驾驶中融合了代理等变的高清地图特征,实现了上下文感知的准确运动预测。这些技术的应用使得我们的模型在保持轻量设计和高效数据利用的同时,能够实现高准确度的预测。
本文提出了一种新的基于 2D 卷积模型的行人轨迹预测方法,采用了高效的数据表示和强大的数据增强技术,在 ETH 和 TrajNet 数据集上实现了最优结果。另外,对于以前用于建模社交信息的占据方法进行了实验性探究,并得出这些方法无法捕捉社交交互的经验结论。
Oct, 2020
本文提出了一种新颖的端到端架构,该架构接受原始视频输入并输出未来车辆运动轨迹预测,以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置,然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模,从而达到了高精度的未来车辆轨迹预测,实验结果表明,该算法优于目前各种先进模型。
Apr, 2023
本文提出了一种卷积神经网络(CNN)人类轨迹预测方法,相比于当前的方法更加快速但仍保持具有竞争力的结果,这对于共享人类环境的自主机器人与人类之间的精确和高效互动至关重要。
Sep, 2018
本文提出了 EqMotion,一种高效的等变运动预测模型,其中包括等变几何特征学习、不变交互推理和不变模式特征学习等模块,并在四个不同的场景下进行了实验,结果表明我们的方法在所有四个任务上都取得了最先进的预测性能,提高了 24.0/30.1/8.6/9.2%。
Mar, 2023
本研究提出了一种新的共同关注等变神经网络,它不仅能够保留输入的结构信息,而且能够注意到数据中同时出现的变换,并将其泛化到由多个对称组成的群上,实现更好的目标识别效果。
Nov, 2019