CVPRFeb, 2022

从因子化边缘轨迹预测到交互式预测的 M2I 模型

PDF
TL;DR利用交互作用代理之间的关系，将联合预测问题分解为边际预测问题，继而通过使用边际预测模型和条件预测模型，预测行人的轨迹，并根据它们的联合可能性进行组合和选择。
autonomous drivingtrajectory predictioninteracting agentsmarginal predictionconditional prediction
发现论文，激发创造
  • MAP-Former：多智能体配对高斯联合预测

    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

  • 基于递进交互的自动驾驶轨迹预测学习

    通过逐步交互网络和权重分配机制提高地图约束条件对代理的特征表示的学习，从而实现准确的行为预测，以优化自动驾驶性能。

    Mar, 2024

  • 利用未来关系推理进行车辆轨迹预测

    提出了一种使用车道信息预测多个代理之间的随机未来关系的新方法，该方法使用概率分布对交互模式进行建模，从而在长期预测基准测试中达到了最先进的性能。

    May, 2023

  • 使用图神经网络联合交互和轨迹预测自动驾驶

    本文提出了一种基于图神经网络的方法，通过显式建模相互作用来预测交通场景中车辆的未来动向，并采用自动标注函数来生成交互标签，从而有效地降低了轨迹误差。

    Dec, 2019

  • 城市环境中基于交互感知的行为概率预测

    本研究提出了基于动态贝叶斯网络的概率性交通预测模型，结合马尔科夫模型和上下文感知的车辆运动模型，可以更精准地预测未来的交通路径和解决交互问题。相较于基于物理学和地图的方法，该模型表现更加优越。

    Apr, 2018

  • 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

  • 神经运动信息传递的协作运动预测

    本研究提出了一种神经网络消息传递模型来模拟交通参与者之间的协作和交互，以及对行为建模的单个参与者。在两种设置下，模型都高效优于之前最先进的方法。

    Mar, 2020

  • 多智能体张量融合用于上下文轨迹预测

    自动驾驶中准确预测其他车辆 / 行人的运动轨迹非常重要，本文提出了一种基于多智能体张量融合网络的模型，可以模拟代理人之间的交互和约束以及环境场景等因素，从而实现对未来运动轨迹的精准预测，并在高速公路和行人数据集上表现出最先进的预测精度。

    Apr, 2019

  • 走向可信的多模式运动预测：评估和可解释性

    该研究旨在提升基于实现值得信赖的人工智能设计需求的可靠性运动预测系统。其分析了当前评估基准的主要缺陷，提出了一个新的全面评估框架，并制定了用于模拟感知系统中的噪声的空间和时间鲁棒性评估方法。同时，提出了附加在多模态运动预测模型上的意图预测层，以提升输出的可解释性和生成更平衡的结果。最后，通过调查探讨了多模态轨迹和意图可视化中的不同元素来评估输出的可解释性。

    Oct, 2022

  • 多元未来预测

    为了预测智能与健壮的复杂动态环境下未来的多个目标路径，该论文提出了基于概率的框架来学习表示语义多模态未来的潜在变量，其中利用动态基于注意力的状态编码器学习编码智能体之间的交互，可被用于车辆轨迹预测。

    Nov, 2019