基于模型规划的车辆轨迹预测学习
为了实现自动驾驶规划的社交合规和灵活性,我们提出了以规划为基础的轨迹预测(PiP)方法,通过利用自车的规划信息来指导预测过程,实现了在高速公路数据集上多智能体预测的最佳表现。此外,我们的方法通过将 PiP 与自车多个候选轨迹相结合,实现了预测和规划的新型流程,对于交互式场景中的自动驾驶非常有益。
Mar, 2020
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
本文提出了一种新的自动驾驶车辆轨迹预测方法,名为 PTNet,其通过结合古典的纯追踪路径跟踪算法和现代基于图形的神经网络,能够在保证预测轨迹的物理现实性的同时,表现与其他最先进的方法相同,并且只需要原有方法所需数据的一半。
Apr, 2021
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
本研究使用 CARLA 模拟器开发了一个合成数据集,并使用卷积神经网络创建了一种端到端的短期轨迹预测模型,使得自动驾驶汽车能够更好地应对复杂情境,如行人穿越马路,车辆超车等,同时免去了对环境的显式编码。
Jul, 2023
该研究使用卷积神经网络和 Transformer 网络从轨迹历史记录和卫星图像中提取时间空间和语境信息,对停车场中人驱动车辆的多模态意图和轨迹预测问题进行了研究,并提出了一种新的方法,能够更精确地预测多个模态,并编码复杂的多智能体场景,同时能够适应不同的停车地图。为了训练和评估方法,该研究还介绍了一组公开的 4K 视频数据集,其中包括了准确的注释、高帧率和丰富的交通场景。
Apr, 2022
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
本文提出了一个在线的两级汽车轨迹预测框架用于城市自动驾驶,其中有复杂的上下文因素,例如车道几何、道路建设、交通规则和移动代理人。我们将高层策略预测与低层背景推理相结合,并利用长短期记忆(LSTM)网络使用其序列历史观测来预测车辆的驾驶策略,并以此来指导低层基于优化的背景推理过程。最终输出的两级推理过程是一条连续的轨迹,能够自动适应不同的交通配置并准确地预测未来的车辆运动。
Mar, 2019
为了预测智能与健壮的复杂动态环境下未来的多个目标路径,该论文提出了基于概率的框架来学习表示语义多模态未来的潜在变量,其中利用动态基于注意力的状态编码器学习编码智能体之间的交互,可被用于车辆轨迹预测。
Nov, 2019