CVPRMar, 2022

基于非概率抽样网络的随机人体轨迹预测

PDF
TL;DR研究了随机方法在预测行人轨迹中存在的偏差问题，并提出了 Quasi-Monte Carlo 方法以及 Non-Probability Sampling Network 作为改进方案，通过实验验证了该方案可以显著提高行人轨迹预测的准确性和可靠性。
stochastic approachespedestrian trajectory predictionquasi-monte carlo methodnon-probability sampling networkprediction accuracy
发现论文，激发创造
  • 无监督采样促进基于随机人类轨迹的预测

    本论文提出了一种名为 BOsampler 的新方法，通过贝叶斯优化的方法，在长尾效应区域探索潜在路径的过程中，提高了随机预测的采样效率，该方法不需要重新训练，可与现有的随机预测模型集成，实验结果表明该方法的有效性。

    Apr, 2023

  • 带有社交图网络的随机轨迹预测

    通过使用动态构建的有向社交图和时序随机方法与 LSTMs 结合的预测，并结合个人、社交特征为目标生成的代表，成功预测了行人轨迹，特别是在拥挤的场景中。

    Jul, 2019

  • 基于神经社会物理学的人类轨迹预测

    本研究提出了一种新的轨迹预测方法，该方法结合了基于规则、几何或优化的模型和基于深度学习的方法，使用了一个新的神经微分方程模型（Neural Social Physics），能够较好地模拟行人行为，并在六个数据集上将性能提高了 5.56% -70%。

    Jul, 2022

  • 基于注意力的社交图变换网络用于随机轨迹预测

    提出了一种关注社交图转换网络的多模态轨迹预测方法，它结合了图卷积网络和 Transformer 网络，并通过生成稳定分辨率的伪图像来处理空时图，还设计了关注社交交互信息的模块。实验证明该模型在多个度量指标上最大限度地降低了位移误差，并显著减少碰撞的可能性，同时具备长时间预测的能力。

    Dec, 2023

  • 概率众包 GAN：使用图形车 - 行人注意网络进行多模态行人轨迹预测

    本文介绍了一种使用概率多模式预测方法和社交影响建模的新型 GAN，可有效预测人群行为和行人意图，以达到更好的自动驾驶和移动机器人导航效果。

    Jun, 2020

  • 用卷积神经网络预测行人轨迹

    本文提出了一种新的基于 2D 卷积模型的行人轨迹预测方法，采用了高效的数据表示和强大的数据增强技术，在 ETH 和 TrajNet 数据集上实现了最优结果。另外，对于以前用于建模社交信息的占据方法进行了实验性探究，并得出这些方法无法捕捉社交交互的经验结论。

    Oct, 2020

  • 在条件随机网络下进行多模式运动预测

    本文提出一种基于随机神经网络架构来处理多样性数据分布的方法，并通过实验验证应用于处理物体轨迹、人体关节轨迹和视频预测等问题中，取得了较好的实验效果。

    May, 2017

  • 社交方式：使用 GAN 学习行人轨迹的多模态分布

    本文提出了一种基于 GAN 和 Info-GAN 的行人运动预测方法，通过去除 L2 损失函数并使用多模态预测方式，成功避免了 GAN 中的 mode collapsing 和 dropping 问题，同时在真实数据和合成数据上的实验表明，该方法能够生成更多样化的预测结果，并且能够保留预测分布的模态。

    Apr, 2019

  • 条件生成神经系统用于概率轨迹预测

    本文提出一种条件生成神经系统 (CGNS)，用于概率轨迹预测，该系统结合了条件潜空间学习和变分分歧最小化的优势，并利用软注意机制和可微障碍函数的正则化方法，将生成的样本推入可行区域。实验结果表明，与各种基线方法相比，我们的这个模型在预测准确性方面表现更好。

    May, 2019

  • GBD-TS：基于树采样算法的目标导向行人轨迹预测与扩散

    使用 GBD-TS 方法，基于扩散网络和目标预测，预测行人的多模态轨迹，并通过通用特征的树采样算法大幅减少推理时间，实现了实时推断并取得了最先进的性能。

    Nov, 2023