ICCVAug, 2021

RAIN: 基于强化混合注意力推理网络的运动预测

PDF
TL;DR提出了一种基于动态关键信息选择和排名的混合注意机制的泛型运动预测框架（称为 RAIN），并将其实例化以处理多智能体轨迹预测和人体运动预测任务，并使用交替训练策略以优化框架不同模块的参数。在不同领域的合成仿真和运动预测基准上验证了该框架，证明了该方法不仅达到了领先的预测性能，还提供了可解释且合理的混合注意权重。
motion forecastingattention mechanismmulti-agent trajectory predictionhuman motion forecastingdouble-stage training
发现论文，激发创造
  • 人体运动预测的多层动作注意力

    介绍了一种基于注意力机制的前馈神经网络，利用运动的重复性和历史上下文进行运动预测，通过图卷积网络对历史数据的运动模式进行有效利用，取得了三个数据集上最先进的结果。

    Jun, 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

  • 多模态联合车辆运动预测的多头注意力

    本文提出了一种新的基于多头注意力的车辆运动预测方法，它能够通过多模态概率密度函数的序列来对道路场景中的所有车辆进行联合预测，不需要机动定义，并且不使用空间网格来表示场景，这使得它比类似模型更加灵活，同时具有交互式联合预测、不确定性估计和多模态性的所有预测能力，结果表明该模型的预测准确率优于同一数据集上的现有模型

    Oct, 2019

  • 历史重演：基于动作注意力的人体动作预测

    通过引入基于注意力机制的前馈神经网络模型，提取了历史运动细节的相似性，建模了运动模式，并在人类行为数据集上实现了最先进的人体运动预测效果。

    Jul, 2020

  • 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

  • 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

  • 探索注意力 GAN 用于车辆运动预测

    本研究使用自注意力模块来计算社交和物理上下文情境，采样白噪声，探索了生成模型中注意力的影响，并在 Argoverse 运动预测基准 1.1 上取得了竞争力的单峰结果。

    Sep, 2022

  • ProphNet: 以锚点为基础的高效代理 - 中心运动预测

    提出一种新颖的面向智能驾驶系统中的多模态运动预测的代理中心模型，并结合锚定地标、融合多样化提案的方法，实现了未来轨迹的精准预测，网络结构均相并且简明，可靠且高效。实验证明，该代理中心无论从预测精度还是从情境级别推断延迟方面均优于当前最先进的方法。

    Mar, 2023

  • 基于 Transformer 的多模式神经网络用于自动驾驶的运动预测

    本文介绍了一种基于 Transformer 结构的神经预测框架来模拟车辆之间的社交关系和预测可能的轨迹，其中采用了多模态注意机制来解决运动预测的多模态问题，并在 Argoverse 运动预测数据集上得到了最佳预测精度。

    Sep, 2021

  • 基于循环神经网络的人体动作预测

    本文旨在研究人体运动建模领域的前沿研究，特别关注基于深度递归神经网络的研究成果，对当前问题的评价方法进行了调查，在研究现有的体系结构、代价函数和训练程序时，提出了三点标准改进措施，取得了最新技术的突破性进展。

    May, 2017