AAAIDec, 2021

改进的扩展卡尔曼滤波器用于神经网络模型的在线自适应，用于可定制和可转移驾驶行为预测

PDF
TL;DR本文针对自动驾驶车辆中人的驾驶行为的随机性，异质性和时变性构成的挑战，将 $ au$ 步的改进的扩展卡尔曼滤波参数适应算法应用于驾驶行为预测任务，使用观察到的轨迹给出反馈，并通过对基于神经网络的模型进行改进，提出了一套新的度量标准来系统评估降低不同个体和情况的预测误差的在线适应性能，同时还提供了有关模型最佳层和观察步骤的经验研究。
autonomous vehiclesdriving behavior predictionextended kalman filterneural networkonline adaptation
发现论文，激发创造
  • KARNet: 自主驾驶任务中学习世界模型的卡尔曼滤波增强循环神经网络

    本文提出了一种基于卡尔曼滤波增强的递归神经网络架构，通过前向摄像头图像学习交通流的潜在表示，结果表明在端到端学习中加入车辆的显式模型（使用卡尔曼滤波估计状态）可以显著提高性能。

    May, 2023

  • 可迁移和可适应的驾驶行为预测

    提出了一种基于 HATN 的分层框架，通过模仿人类在驾驶中的认知模型和语义理解生成高质量、可转移和适应性 strong > 预测，在真实交通数据中展示了其在准确性、可转移性和适应性方面明显优于其他方法的优势，并强调将来应重点关注可转移性和适应性。

    Feb, 2022

  • 自主车辆的决策制定：基于交互感知行为预测和社交关注神经网络

    自主车辆在交通中需要与人类驾驶员互动来完成任务，因此装备自主车辆具备人工推理以更好地理解周围交通的意图，从而促进任务完成。本文提出了一种行为模型，将驾驶员的互动意图编码为潜在的社会心理参数，并设计了基于贝叶斯滤波器的递进视界优化控制器以考虑互动驾驶员意图的不确定性，同时采用基于注意机制的神经网络架构来模仿行为模型和在线估计参数先验，并提出决策树搜索算法在线解决决策问题。本文对所提出的行为模型进行了真实世界轨迹预测能力的评估，并在模拟环境和真实世界交通数据集中进行了强制公路合并场景的决策模块的广泛评估，结果表明我们的算法能够在各种交通条件下完成强制合并任务并确保驾驶安全。

    Oct, 2023

  • 利用不变扩展卡尔曼滤波器和神经测量网络的四足机器人状态估计

    该论文介绍了一种新颖的基于感觉自身位置的机器人状态估计器，该估计器结合了基于模型的滤波器和深度神经网络。通过整合神经测量网络 (NMN) 和不变扩展卡尔曼滤波器，论文展示了该状态估计框架在各种地形中的性能改进。

    Feb, 2024

  • KI-PMF: 知识集成的可信动作预测

    本文通过整合先验知识，提出了防止离线道路预测以实现安全可靠的运动预测的概念，以确保自主车辆在复杂和动态场景中的可达性保证。

    Oct, 2023

  • 基于低秩扩展卡尔曼滤波的神经网络在线学习

    该研究提出了一种高效的在线近似贝叶斯推断算法，用于从可能的非静态数据流中估计非线性函数的参数，并通过使用后验精度矩阵的新型低秩加对角线分解，使每步成本与模型参数数量呈线性关系，与基于随机变分推断的方法相比，我们的方法是完全确定性的，不需要步长调整，并显示实验表明，这导致学习速度更快（更节约样本），从而更快地适应不断变化的分布，并作为上下文强化学习算法的一部分积累奖励更快。

    May, 2023

  • 基于认知的自动驾驶轨迹预测方法

    这篇论文介绍了一种人类似的轨迹预测模型（HLTP 模型），它采用了灵感自人类认知过程的教师 - 学生知识蒸馏框架，这种方法可以在动态环境中动态适应变化的驾驶场景，提高准确预测的关键知觉线索的获取能力。该模型在 Macao Connected and Autonomous Driving (MoCAD) 数据集以及 NGSIM 和 HighD 基准测试中展示出优于现有模型的性能，特别是在数据不完整的具有挑战性的环境中。

    Feb, 2024

  • 多目标跟踪中基于学习的运动模型的探索

    本文研究了多目标跟踪领域中使用 Kalman 滤波器的传统方法在面对复杂非线性运动和遮挡等动态环境中的局限性，并探讨了替代 Kalman 滤波器的各种基于学习的运动模型。我们提出了一种名为 MambaTrack 的在线基于运动的跟踪器，它在挑战性的 DanceTrack 和 SportsMOT 数据集上优于所有现有的基于运动的跟踪器。此外，我们进一步利用状态空间模型在轨迹特征提取中的潜力，提出了一种名为 MambaTrack + 的跟踪器，在 DanceTrack 数据集上达到 56.1 HOTA 和 54.9 IDF1 的最新性能。

    Mar, 2024

  • 自适应卡尔曼信息变换器 A-KIT

    本研究介绍了一种自适应的 Kalman-fusion 变换器 (A-KIT) 方法，通过学习实时变化的过程噪声协方差矩阵来提高传感器融合的性能，并通过实验表明，相对于传统的 EKF 和基于模型的自适应 EKF，A-KIT 在位置精度上提高了超过 49.5% 和平均 35.4%。

    Jan, 2024

  • 面向分布感知的自主驾驶安全目标预测和符合模型规划

    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