提高运动预测中的上下文感知

CVPRSep, 2021

Raising context awareness in motion forecasting

Hédi Ben-Younes, Éloi Zablocki, Mickaël Chen, Patrick Pérez, Matthieu Cord

TL;DR该研究介绍了 CAB 运动预测模型及其训练过程，以促进使用语义上下文信息，并引入两个新指标 - 弥散度和范围收敛性 - 评估预测的时间一致性，并在 nuScenes Prediction 基准测试中得到了评估，证明了它在困难场景下的预测能力。

Abstract

Learning-based trajectory prediction models have encountered great success, with the promise of leveraging contextual information in addition to motion history. Yet, we find that state-of-the-art forecasting methods tend to overly rely on the agent's current dynamics, failing to exploi

trajectory prediction learning-based models motion forecasting semantic contextual information dispersion and convergence-to-range metrics

发现论文，激发创造

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

上下文感知轨迹预测

本研究提出了一种基于上下文感知的循环神经网络 LSTM 模型，用于人类在拥挤空间中运动和行为的预测。实验结果表明，该方法相对于之前的最新预测模型能够更好的预测人类的轨迹。

May, 2017

社交和情境感知的人体运动和姿势预测

本文提出了一种新的框架来处理机器人导航中预测人类动态的问题，该框架将人类运动（或轨迹）和骨骼姿态预测这两个任务统一起来，并考虑到了场景和社交上下文等多种因素，最终在两个社交数据集上表现优异。

Jul, 2020

MobTCast：利用辅助轨迹预测进行人类移动预测

本文提出了 MobTCast：一种基于 Transformer 结构的上下文感知的网络模型，用于预测未来的兴趣点（POIs）。此模型探究了 4 种上下文对预测的影响：时间，语义，社交和地理位置，并通过引入自我注意机制和地理位置预测分支以及一致性损失来提高预测性能。实验证明此模型优于现有的预测方法，并展示了包括上下文在内的多种因素对于下一个 POI 的预测具有重要意义。

Sep, 2021

基于上下文视觉转换器的交通事故风险预测

本文提出了一种通过上下文视觉变换器进行端到端训练的新框架，该框架可以有效地推理有关问题的空间和时间方面，同时提供准确的交通事故风险预测，并在两个不同地理位置的大规模交通事故数据集上优于现有技术。

Sep, 2022

基于因果表示的鲁棒自适应运动预测

从因果表征的角度提出了一种用于解决模式预测中分布偏移脆弱性和知识转移低效性挑战的学习框架，通过不同的损失函数分别处理动态过程中三组潜在变量：不变变量，样式混淆变量和虚假特征。该方法显著优于当前先进的动态模式预测模型。

Nov, 2021

CSCNet: 用于拥挤空间轨迹预测的情境语义一致性网络

本文研究轨迹预测，提出了一种用于预测未来活动的方法 ——CSCNet，可提高预测精度和效率，并解决社交和物理交互中的语义转移问题。

Feb, 2022

语义增强：用增强的文本线索提升动态生成

SemanticBoost 是通过 Semantic Enhancement 模块和 Context-Attuned Motion Denoiser 方法同时解决数据集中语义注释不足和语境理解不强的问题，以生成高质量、语义一致的运动序列的一种新颖框架。

Oct, 2023

基于上下文的可解释的时空图卷积网络用于人体动作预测

人体动作预测是自动驾驶和安全应用中仍然存在的重要问题，本文提出了基于上下文的可解释时空图卷积网络 (CIST-GCN) 作为一种有效的基于 GCNs 的三维人体姿势预测模型，通过特定层来增强模型的可解释性和提供有用的运动分布和身体行为信息，通过从姿势序列中提取有意义的信息、汇总位移和加速度到输入模型，并最终预测输出位移。在 Human 3.6M、AMASS、3DPW 和 ExPI 数据集上的广泛实验表明，CIST-GCN 在人体动作预测和鲁棒性方面优于以前的方法。鉴于提高运动预测的可解释性的想法具有一定的优势，我们在这里展示了相关实验证明了该想法，并进行了初步的评估。

Feb, 2024

基于上下文无关聚类的可靠、快速、准确的轨迹预测

提出多阶段概率预测路径的自主系统的新方法，包括轨迹转换、位移时间序列聚类、轨迹生成和排序建议，使用深度特征聚类方法进行分布偏移、使用新的基于距离的排序建议进行轨迹生成和分配概率，从而比传统方法更有效且准确地在人和道路代理的轨迹数据上实现上胜于无上下文的深度生成模型，同时当比较最可能的轨迹时与点估计器表现相似。

Jul, 2023