纵观全局:基于傅里叶谱的轨迹预测分层网络
3D 多目标跟踪和轨迹预测是自动驾驶系统中的两个关键模块,在传统范式中这两个任务通常被分开处理,而最近有一些方法开始探索以联合方式对这两个任务进行建模。本文提出了一种流式和统一的框架用于联合 3D 多目标跟踪和轨迹预测,以解决以上挑战。实验结果表明,StreamMOTP 在两个任务上明显优于以前的方法,并且在实际自动驾驶应用中具有巨大的潜力和优势。
Jun, 2024
通过引入一个抽象层,本文利用图神经网络将代理的状态映射到它们对每个类别的关联度,将代理之间的物理接近性和关联度整合到非线性舆论动力学模型中,用于识别互斥类别、预测代理的时间演变和控制代理的行为,从而在机械系统的可学习类别和长期轨迹预测基准测试中证明了模型的实用性和效果优越性。
Jun, 2024
该研究从激光雷达感知到预测车辆轨迹的角度进行了首次安全分析,提出了一种间接攻击方法,通过对受害者自动驾驶车辆的感知模块进行攻击来诱导轨迹预测错误,以实现可行的、单点式的攻击。实验结果表明,该攻击方法能导致高达 63%的碰撞率和各种危险情况,为自动驾驶的轨迹预测提供了现实的安全威胁。
Jun, 2024
iMotion-LLM 是一种多模态大型语言模型,通过轨迹预测指导交互式多智能体场景。通过在 Waymo 开放数据集中增加文本运动指令,我们创建了 InstructWaymo。iMotion-LLM 可在提供的指令方向上生成轨迹,增强安全性,并为自主导航系统解释和预测多智能体环境的动态奠定了基础。
Jun, 2024
通过引入嵌入于 Transformer 编码器中的 Ghost Spatial Masking 模块进行空间特征提取,将 State Space Models (SSMs) 扩展为双向时间 Mamba 以捕捉时间依赖性,以及结合双向时间比例变换 (Bidirectional Temporal Scaled) 模块来全面扫描轨迹,本研究通过多功能生成框架首次解决了这个统一问题,增进了我们对多智能体运动的理解。
May, 2024
通过集成驱动能力的约束和物理约束条件的生成预测模块,本研究提出了一种基于扩散模型的高速公路轨迹预测网络架构,通过整合量化的不确定性进行预测,以提高模型的性能。该模型在公开可用的高 D 数据集上进行了评估实验,结果表明在提供可行驶轨迹和不确定性量化的同时,与最先进的模型相比具有竞争性的轨迹预测准确性。
May, 2024
研究论文探讨了人工智能技术在无人机飞行轨迹生成中的应用。研究主要关注准确预测无人机路径和高效避免碰撞所面临的挑战,通过系统地应用多样化的激活函数于单隐藏层前馈神经网络,提高了路径预测准确性。同时,提出了一种新的激活函数 “AdaptoSwelliGauss”,将 Swish 和 Elliott 激活函数与高斯分量相融合,用于无人机轨迹复杂性的捕捉。此外,提出了综合的碰撞检测、避免和分组策略,通过改变无人机轨迹和起飞时间来避免碰撞,克服了两种策略各自的不足。
May, 2024
高速场景下,通过考虑历史特征、与周围实体的交互以及内在意图和不确定性,本研究提供了一种去噪端点分布模型来进行轨迹预测,该模型通过聚焦于实体的端点而不是整个轨迹,显著降低模型复杂性,提高性能,为高速场景下轨迹预测的进一步发展打下基础。
May, 2024
本文介绍了一种考虑交通参与者之间复杂互动的准确轨迹预测方法,该方法利用道路拓扑和语义关系,采用了边增强的异构图转换器作为聚合器,通过图神经网络对语义和空间交互信息进行编码,同时引入了基于门控循环单元的时间编码器来模拟交通参与者的时间社会行为,最后通过信息融合框架综合表示交通场景,该方法在流行的 nuScenes 基准测试上取得了最先进的性能。
May, 2024
这篇论文介绍了一种适用于自主驾驶的轨迹预测模型,重点是在动态交通场景中捕捉复杂的交互作用,而无需依赖高清地图。该模型被称为 MFTraj,利用历史轨迹数据结合新颖的基于动态几何图的行为感知模块。在其核心部分,一种自适应的结构感知交互图卷积网络捕捉道路用户的位置和行为特征,保留了空间 - 时间的复杂性。通过线性注意机制的增强,该模型实现了计算效率和降低参数开销。在 Argoverse、NGSIM、HighD 和 MoCAD 数据集上的评估证明了 MFTraj 的鲁棒性和适应性,在数据有限的场景下,甚至无需额外信息(如高清地图或矢量化地图),也能胜过许多基准模型。重要的是,即使在存在大量缺失数据的情况下,其性能与大多数现有的最先进模型相当。结果和方法表明,在自主驾驶轨迹预测方面取得了显著进步,为更安全、更高效的自主系统铺平了道路。
May, 2024