PreTraM: 通过连接轨迹和地图的自监督预训练

Apr, 2022

PreTraM: 通过连接轨迹和地图的自监督预训练

PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map

Chenfeng Xu, Tian Li, Chen Tang, Lingfeng Sun, Kurt Keutzer...

TL;DR该研究提出了一种基于预训练的深度学习模型 ——PreTraM，通过将轨迹和地图相连接来提高轨迹预测的准确性和数据利用率。PreTraM 比 AgentFormer 和 Trajectron 等基线方法在 nuScenes 数据集的 FDE-10 性能上分别提高了 5.5% 和 6.9%。

Abstract

deep learning has recently achieved significant progress in trajectory forecasting. However, the scarcity of trajectory data inhibits the data-hungry deep-learning models from learning good representations. While mature representation learning methods exist in computer vision and natur

deep learning trajectory forecasting pre-training hd-maps data efficiency

发现论文，激发创造

基于合成驾驶数据的轨迹预测预训练

在有限的数据可用性下，我们提出了利用高精度地图和轨迹的图表示以及预训练策略相结合的方法来学习通用的轨迹预测表示，进而对轨迹预测模型进行改进，从而在数据扩展和预训练策略方面取得了显著的效果。

Sep, 2023

通过知识蒸馏提升无地图轨迹预测能力

本篇论文利用分层知识蒸馏框架，将基于高清地图的预测模型的知识迁移到不需要高清地图的预测模型中，提高了自主驾驶的轨迹预测准确性。

Jun, 2023

交通中轨迹预测的快速无地图模型

该研究提出了一种高效的轨迹预测模型，不依赖于交通地图，通过在两个阶段中综合应用注意机制、LSTM、图卷积网络和时间变换器等技术，编码了单一代理的时空信息，并探索了多个代理之间的时空交互信息，实现了比现有无地图方法更高的性能，并超过了 Argoverse 数据集上大多数基于地图的最先进方法，同时也具有比基准方法更快的推理速度。

Jul, 2023

TrTr：一种基于 Transformer 的多功能预训练大型交通模型，用于捕捉车辆群体中的轨迹多样性

使用 Transformer 技术，通过分析其注意机制并设计特定的预训练任务，可以学习车辆群体内轨迹的多样性，同时预训练模型在捕捉车辆群体的空间分布方面表现出色，并能准确预测时间序列中的轨迹速度。

Sep, 2023

Traj-LLM：赋能轨迹预测的新探索

使用大型语言模型和创新的技术，本研究拟探索将 LLM 应用于交通场景中的动态车辆轨迹预测任务，以提高预测效果并适应不同情形。

May, 2024

基于 Transformer 序列到序列模型的城市道路网络中使用 NLP 实现的轨迹映射匹配

使用基于变压器的编码器 - 解码器模型，将噪声 GPS 数据转化为城市道路网络上的导航路线，大规模地理定位遥测数据对于增强智能城市的移动基础设施和操作系统具有巨大潜力。

Apr, 2024

MapTR：用于在线向量化高精度地图构建的结构化建模和学习

MapTR 是一个高效的在线矢量高清地图构建系统，采用基于点集的建模方法和分层查询嵌入方案，可用于自动驾驶系统中进行规划，具有比现有方法更好的性能和效率。

Aug, 2022

可扩展的基于时空运动轨迹的自监督表示学习，用于多模式计算机视觉

本文介绍了一种自我监督的地理位置表示学习技术，使用无标注的 GPS 轨迹学习地理位置的语义特征并为地理计算机视觉任务提供特征表示，通过将 GPS 轨迹建模为地球表面的一些节点或像素，使用卷积、收缩自编码器学习压缩地理位置的可达性嵌入并取得了显著性能提升。

Oct, 2022

MFTraj: 自主驾驶的无地图、行为驱动轨迹预测

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

TrACT: 一种对训练动态敏感的对比学习框架，用于长尾轨迹预测

自动驾驶的安全性需要准确预测道路用户未来轨迹以进行安全运动规划，在具有挑战性的条件下尤为重要。本文提出了一种在原型对比学习框架中将更丰富的培训动态信息纳入其中的方法，并在两个大规模自然数据集上进行了实证评估，证明了该方法在改善长尾样本准确性和场景符合性方面达到了最先进的性能。

Apr, 2024