本文提出了 CUQDS 框架,该框架旨在量化现有轨迹预测模型在数据分布转移下的预测轨迹不确定性,并在训练阶段考虑模型预测准确性的提高和估计不确定性的减少。
Jun, 2024
通过引入代理分类概率,提高了轨迹预测的性能和新的预测能力。
Apr, 2021
通过提出基于误差对齐的不确定性优化方法和引入可训练的损失函数来估算深度神经网络的不确定性,以取得与模型误差相关性强的不确定性预测。该方法适用于连续结构化预测和回归任务,并在包括大规模车辆运动预测任务的多个数据集上进行评估,通过 Pearson 相关系数表明我们的方法提高了平均位移误差和不确定性与模型误差之间的相关性。
Dec, 2022
通过预测交通代理对的协方差矩阵,提出了一种 “场景中心” 的运动预测新方法,为基于统计方法的风险评估奠定基础。
Apr, 2024
提出了一个不确定性学习机制来同时估计内部数据质量和量化外部不确定性,以提供空间时间预测的高质量不确定性量化,并通过设计一个基于门控的桥梁来重新校准和提高预测性能,从而解决不确定性标签的缺乏这一问题。
Feb, 2021
本文提出了一种概率框架,能够在任何驾驶场景下联合预测多个交通参与者的连续运动,并能够预测每个交互的持续时间,以提高预测性能和效率。该框架包含两个层次模块:上层模块预测预测车辆的意图,下层模块预测与其交互的场景中其他实体的运动,为自主车辆的决策制定和运动规划提供支持。
Oct, 2018
本文介绍了一种基于多传感器的变分神经网络方法,用于预测驾驶员车辆的未来轨迹分布。该方法能够处理不确定的情况,并且可以与物理学预测器相结合,提高整个系统的性能。经实验证明,我们的方法可将物理学模型的预测误差提高 25%,同时以 82%的准确度成功识别不确定情况。
Jan, 2019
本文扩展了 Factorised Neural Relational Inference 模型,加入了输出每个相空间向量部分的均值和标准差以及相应的损失函数,以解决神经网络在多交互轨迹重建中缺乏输出不确定性估计的问题。本文研究了多种损失函数,包括凸函数和 Bayesian 方法,并且我们发现在考虑不确定性时,变量的物理意义非常重要,且存在难以避免的病态局部最小值问题。
Jun, 2020
本文使用蒙特卡罗树搜索和核回归,基于马尔可夫决策过程和风险度量,采用震荡信念状态方法,分析自动驾驶车辆与人类交通合作的不确定性。结果表明,在不确定的环境下,整合风险度量在最终选择策略中始终优于基线,可以生成较为安全的车辆轨迹。
Mar, 2022
本研究提出了一种基于无限邻域交互网络的异构多类别交通态势预测方法,通过适应各种交互要素生成混合特征,并通过高层级图注意力模块实现类别间和代理间的交互,从而提高了预测性能。
Jul, 2021