Jan, 2021

LaneRCNN: 面向图中心的运动预测的分布式表示

PDF
TL;DR该论文提出了 LaneRCNN，一种基于图形的运动预测模型，它使用特殊设计的图形编码器来学习每个演员的本地车道图表示，并进一步开发了交互模块，允许本地图形表示之间的高效消息传递。LaneRCNN 可以以分布式和地图感知的方式捕捉演员与演员之间和演员与地图之间的关系，并在大规模数据集上达到了最佳效果。
发现论文，激发创造
  • 学习车道图表示以进行运动预测

    通过构建一个从原始地图数据中构造出来的车道图，结合 LaneGCN 和 Actormap 交互设计了一个动态预测模型，可以准确地预测和展示多种行车情景，取得了比现有最好技术更好的表现。

    Jul, 2020

  • 基于异构图卷积循环神经网络的动态情景表示学习用于运动预测

    本文提出了使用动态异构图来处理自动驾驶中复杂的动态场景问题，并设计了一种新颖的异构图卷积循环神经网络来捕捉动态图中不同交互信息和其演进，进而准确预测车辆的多模态未来轨迹。

    Mar, 2023

  • 构建一致可解释的运动预测模型：基于异构图注意力的方法

    自动驾驶中，准确解读其他道路用户的移动并利用这一信息预测未来轨迹至关重要。本文提出了一个新的优化模块，将预测的轨迹重新映射到实际地图上，纠正了编码过程中可能丢失的位置信息，从而实现更一致的预测。同时，我们还提出了一种新颖的场景编码器，以单一的异构图注意力网络来处理所有代理与环境之间的关系，并通过分析图中不同边的注意力值，可以深入了解神经网络的内部工作，实现更加可解释的预测。

    May, 2024

  • 自主驾驶车辆的运动预测

    为了部署安全的自主驾驶汽车，需考虑静态几何上下文和动态社交交互，最近的深度学习方法已实现了距离预测指标的最新性能，但存在无法考虑 AV 意图运动计划的局限，因此提出了一种基于人 - 车道几何和人 - 人社交关系的图形加权循环递归方法，以支持注入抵消几何目标和社交情境，在规划循环中运用以推理有关 AV 意图路径的未观察原因或不太可能的未来。

    Aug, 2020

  • 车道关注：通过学习车道上的注意力预测车辆的运动轨迹

    通过关注机制和 LSTM 网络，该文研究了自动驾驶车辆中驾驶员意图与车辆位置变化的关系，并将其用于预测，采用非欧几里得图形和图神经网络等处理方式比其他最先进技术表现更好，此模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。

    Sep, 2019

  • AutoGraph：从交通观测中预测车道图

    提出了使用交通参与者的运动模式作为车道图注释的自动车道图方法，通过预训练的对象跟踪器和 RGB 图像，可以在不需要人类监督的情况下预测车道图，实验证明效果与手动注释的图形数据训练的模型相当。

    Jun, 2023

  • 基于关系的交通场景图的运动预测

    通过建立空间语义场景图和使用图神经网络来探讨 Traffic participants 之间的关系对于预测自动驾驶中的加速度和减速度等相关参数具有重要作用。这种建模方式不仅可以提高预测结果，也可以通过包含先前场景的附加信息提高预测性能。

    Nov, 2022

  • 基于车道图遍历的多模态轨迹预测

    本文提出了一种新的方法，它通过对车辆行为的不确定性进行推理，结合对车道图子集的关注解码器，将学习到的离散策略展开，以探索不同的目标，从而确保模型捕捉到横向变异，进而捕捉纵向变异。该模型在 nuScenes 运动预测数据集上实现了最先进的表现，并在定性上展现出优秀的场景合规性。

    Jun, 2021

  • 基于边界感知网络的运动预测

    BANet 是一种运动预测模型，是 LaneGCN 的一个变体，通过编码更多的向量地图元素来提供更好的性能，在 2022 Argoverse2 运动预测挑战赛中排名第一。

    Jun, 2022

  • 上下文感知的人体动作预测

    本文利用语义图模型和图注意力层来建立上下文感知体系结构，旨在正确建模人类行为中的对象和人际互动以提高人类运动的预测准确性。通过在全身人类动作数据库上进行的彻底评估，论文显示出模式的优越性。

    Apr, 2019