Oct, 2020

探索多路径轨迹预测的动态上下文

PDF
TL;DR本文提出了一种名为 Dynamic Context Encoder Network (DCENet) 的新型框架，用于探索交通场景中代理之间的空间和时间上下文信息，从而提高未来位置的预测准确性，实现更安全的自主驾驶系统。DCENet 在多个基准测试中都表现出了良好的性能，并通过一系列实验验证了提出的模块的有效性。
autonomous systemstraffic predictioncontext encoderspatial-temporal contexttrajectory forecasting
发现论文，激发创造
  • MCENET：用于混合交通中同质代理轨迹预测的多上下文编码器网络

    提出了一种名为 MCENET 的方法，通过编码过去和未来的场景情境、交互情境和运动信息来捕捉未来轨迹的模式和变化，以此解决在城市混合交通区域（即共享空间）中对异质性道路代理（行人、骑车人和车辆）进行微观级别的轨迹预测的挑战。

    Feb, 2020

  • AMENet: 基于关注地图编码器网络的轨迹预测

    提出了一种名为 AMENet 的端到端生成模型，使用注意力机制动态地建模了邻居交互信息，实现了准确和逼真的轨迹多路径预测，并在 Trajnet 和 InD 两个公共轨迹预测数据集上进行了验证。

    Jun, 2020

  • CVAE-H: 基于超网络和轨迹预测的条件化变分自编码器用于自动驾驶

    本研究致力于解决无人驾驶中的预测难题，提出了一种概率化、多模态、上下文驱动和通用的条件变分自编码器。通过大量运用超网络，这种 VAE 能够执行高维问题的生成任务，并在各个环境中更加准确地预测道路情况。

    Jan, 2022

  • 多智能体张量融合用于上下文轨迹预测

    自动驾驶中准确预测其他车辆 / 行人的运动轨迹非常重要，本文提出了一种基于多智能体张量融合网络的模型，可以模拟代理人之间的交互和约束以及环境场景等因素，从而实现对未来运动轨迹的精准预测，并在高速公路和行人数据集上表现出最先进的预测精度。

    Apr, 2019

  • VectorNet：从矢量化表示编码高清地图和代理动态

    本文介绍了一种新型的层级图神经网络 VectorNet，用于解决在自动驾驶汽车的动态多智能体系统中的行为预测问题，并通过在高精度建模的地图和智能体轨迹上的操作，使得该方法在两个行为预测基准测试中均达到优秀的性能。

    May, 2020

  • Social-DualCVAE: 基于社交互动模式感知与双重条件变分自编码器的多模态轨迹预测

    本文提出了一种基于双条件变分自编码器的社交多模式轨迹预测模型，该模型可通过学习社交交互模式，以及先前轨迹信息进行轨迹预测，并在流行的轨迹基准测试中表现出优异的性能。

    Feb, 2022

  • 潜变量序列集合变压器用于联合多智能体运动预测

    提出了基于自动机器人（AutoBots）的潜变量序列集变压器模型，具有单代理预测和多代理预测的能力，在全局 nuScenes 车辆运行预测领域取得了最佳成果，使用了学习可并处理的时间和社会 MHSA 模块的编码器，并结合可学习的种子参数，使用临时和社会 MHSA 模块的解码器能够高效地对整个未来场景进行推断。

    Feb, 2021

  • 动态上下文对应网络（DCN）用于语义对齐

    该论文提出了一种名为 DCCNet 的动态上下文对应网络，通过引入注意力机制，整合了多种语义线索，对计算机视觉中语义对应问题进行了改进，并在多个数据集上验证了该方法的有效性。

    Sep, 2019

  • TENET: 用于有效时序流的 Transformer 编码网络，用于运动预测

    本报告提出了一种用于自主驾驶的有效的运动预测方法，采用基于 Transformer 的输入编码和轨迹预测，引入了 Temporal Flow Header 以增强轨迹编码，最后使用高效的 K-means 集成方法，在 Argoverse 2 Motion Forecasting Challenge 赢得了第一名，最小 brier-FDE 评分达到 1.90，表现优于现有技术。

    Jun, 2022

  • 通过动态路径定制实现图像字幕

    本文探索一种新颖的动态网络以应对视觉和语言任务，其中推理结构针对不同输入动态定制。通过引入基本单元并在空间和通道运算领域分组，以构建丰富的路径空间和提升路径选择效率，我们设计了一个空间 - 通道联合路由器来根据输入样本的空间和通道信息进行路径定制，并在 MS-COCO 数据集上进行实验证明了提出的动态变压器网络的有效性，获得了 Karpathy 分割和在线测试服务器上的最新最佳性能。

    Jun, 2024