基于目标驱动的阶段性网络用于轨迹预测

Mar, 2021

基于目标驱动的阶段性网络用于轨迹预测

Stepwise Goal-Driven Networks for Trajectory Prediction

Chuhua Wang, Yuchen Wang, Mingze Xu, David J. Crandall

TL;DR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。

Abstract

We propose to predict the future trajectories of observed agents (e.g., pedestrians or vehicles) by estimating and using their goals at multiple time scales. We argue that the goal of a moving agent may change over time, and modeling goals continuously provides more accurate and detailed information for future trajectory estimation. To this end, we present a

trajectory prediction stepwise goal-driven network multi-scale modeling recurrent network goal estimation

发现论文，激发创造

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

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

Goal-GAN: 基于目标位置估计的多模态轨迹预测

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。

Oct, 2020

具有向量化表示的交互车辆条件目标导向轨迹预测

本文提出了一种新的 CGTP 框架来进行交互行为预测，在 Argoverse 和 Waymo 数据集上进行实验并与其他传统方法进行比较，结果表明我们的模型具有更好的预测能力。

Oct, 2022

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

TPNet: 运动预测的轨迹提议网络

提出了一个新型的两阶段运动预测框架 ——Trajectory Proposal Network (TPNet)，即先通过生成候选的运动轨迹假设，再根据满足物理限制情况下的分类和细化来进行最终预测，从而实现了安全和多模态的预测，通过这种方法有效地缓解了运动预测问题的复杂性，同时保证了多模态输出。

Apr, 2020

空间时间图双重注意力网络用于多智能体预测和跟踪

本文提出了一种通用的生成神经系统（称为 STG-DAT），用于多代理轨迹预测，涉及异构代理。该系统采用了动态图形表示，并利用轨迹和场景上下文信息来明确交互建模。本文还采用了一个有效的运动学约束层，该约束不仅确保物理可行性，而且提高了模型性能。

Feb, 2021

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

SGCN：用于行人轨迹预测的稀疏图卷积网络

本文提出了一种使用稀疏图卷积网络来进行行人轨迹预测的方法，其中用稀疏定向空间图来明确建模稀疏定向交互，用稀疏定向时间图来建模运动趋势，并通过融合两种稀疏图的方法估计轨迹预测的双高斯分布参数，实验结果表明，该方法在平均偏离误差和最终偏离误差上优于现有方法。

Apr, 2021

带有社交图网络的随机轨迹预测

通过使用动态构建的有向社交图和时序随机方法与 LSTMs 结合的预测，并结合个人、社交特征为目标生成的代表，成功预测了行人轨迹，特别是在拥挤的场景中。

Jul, 2019