社交可解释树用于行人轨迹预测
自动驾驶中,理解车辆与周围环境的社交互动行为并预测其轨迹的能力对道路安全至关重要。为了克服神经网络方法在车辆轨迹预测中缺乏可解释性的问题,本文结合离散选择模型的可解释性与神经网络模型的高准确性,提出了一种能解释其预测结果而不降低准确度的模型,并通过使用 INTERACTION 数据集进行实现和评估,证明了该模型的有效性。
Aug, 2023
本文介绍了一种基于空间交互转化器 (SIT) 的生成方法,该方法通过注意机制学习行人轨迹的时空相关性,并引入条件变分自动编码器 (CVAE) 框架对行人的未来潜在运动状态进行建模。大规模交通数据集 nuScenes 上的实验结果表明,SIT 的性能优于最先进的方法,并在具有挑战性的 ETH 和 UCY 数据集上得到了验证。
Dec, 2021
为了准确预测人群中行人的轨迹,需一直考虑其与其他行人的社会 - 时间相互作用。我们提出了一种完整的、明确的捕捉并分析该信息的表示方法,即基于有向无环图的社会 - 时间图(STG)。利用 STGformer 模型,我们实现了端到端的流程,学习 STG 的结构用于轨迹预测,并在两个大规模基准数据集上取得了最先进的预测精度。统计数据表明,利用这种信息明确进行预测相对于仅使用轨迹的方法能够明显提高性能。
Dec, 2023
本文通过利用神经网络的注意力机制和迭代逐步学习的方式,结合环境因素预测市区环境下行人位置的运动,成功构建了一个简单、高效的行人轨迹预测模型,并证明了该模型在不需要引入实体掩码、动态模型、社交池层或类似图形结构方面,也能够与 SoTA 模型相媲美地达到相似的性能水平。
Jun, 2022
基于 LSTM 模型及人际交互、过往观测、周围空间语义等多重因素,预测人在城市场景中的运动方向的方法在测试中证明比传统 LSTM 模型准确,成为开发自动驾驶车辆与社交性机器人必不可少的一步。
Sep, 2019
本文提出了基于群体的社交互动模型,使用递归机制生成社交行为图,并运用图卷积神经网络进行社交互动信息的传递,成功预测了复杂的社交行为。在 ETH 和 UCY 数据集上表现优于现有方法。
Apr, 2020
本文提出了一个集成图像和视频的大规模数据集, 收集了各种类型的目标(不仅是行人,还有自行车,滑板车,汽车,公交车,高尔夫球车)在现实世界室外环境中如何运动的数据。本文还提出了新的轨迹预测算法,并且这个算法利用了新数据集的复杂度,可以模拟交互中的社会力量对行人的影响,有效地解决了目标跟踪与轨迹预测问题。
Jan, 2016