本文提出一种基于实例感知的车道表示法和目标導向车道注意力模型,结合车道特征和车辆轨迹特征进行车辆位置预测,并在NeurIPS 2019的Argoverse运动预测竞赛中获得第三名,实验证明了模型的有效性。
Jul, 2020
本文提出了一种解决多模态数据和场景下多主体交互的轨迹预测问题的方法,使用convLSTM结合CVAE进行多样性预测,通过多元化的数据集模拟,取得了比现有方法更好的效果
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预测模型LaPred,利用语义地图中提取的车道实例来预测多模态的未来轨迹,通过自监督学习任务识别可能由目标车辆跟随的车道实例,并产生比基于2D光栅图像的方法更好地符合周围环境的轨迹,实验表明该模型在公共nuScenes数据集和Argoverse数据集上显著优于现有的预测模型,达到了基准测试的最新性能。
Apr, 2021
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
本文提出了一种基于模块化架构的学车任务分解方法,在障碍感知、目标预测和规划方面均取得了优秀的方法,并在CARLA模拟器上实现了最新的优秀结果。
Dec, 2022
提出了一种使用车道信息预测多个代理之间的随机未来关系的新方法,该方法使用概率分布对交互模式进行建模,从而在长期预测基准测试中达到了最先进的性能。
May, 2023
利用语义场景图、基于图像的地图特征以及锚路径生成,我们提出了一种改进的基于向量的轨迹预测方法,解决了交通参与者之间的复杂交互、地图背景和交通规则之间的挑战性问题,相较于基准模型HoliGraph,我们的方法显示出明显的优势。
Nov, 2023
使用大型语言模型和创新的技术,本研究拟探索将LLM应用于交通场景中的动态车辆轨迹预测任务,以提高预测效果并适应不同情形。
May, 2024
该研究论文主要涉及自主驾驶中的动作预测和未来情景编码,以及使用车道占用区域的新表示法来预测动作。所提出的方法在两个大规模运动预测基准测试上排名第一。
Jun, 2024