MPA: 基于 MultiPath++ 的运动预测架构
本文提出了一种基于 MultiPath++ 的自动驾驶未来行为预测模型,通过稀疏编码和上下文感知融合等优化,使用深度学习实现了对未来行为的高质量预测,达到了领先水平。
Nov, 2021
本文提出了一种基于卷积神经网络的简单而强大的多模态运动预测基准线,与最先进方法相比,具有竞争性的性能,并且在 2021 年 Waymo 开放数据集运动预测挑战赛上排名第三。
Jun, 2022
本文介绍了使用 Motion Transformer 进行多模态运动预测的 1st Place 解决方案,并采用意图定位和迭代运动细化的策略来生成更好的未来轨迹。采用简单的模型集成策略对数据进行非极大值抑制,最终在 2022 Waymo Open Dataset Challenges 中获得了第一名,超越了其他方法。
Sep, 2022
基于我们之前的工作,提出了一个改进的系统 CASPNet++,通过进一步增强交互建模和场景理解,使用时空网格模拟未来占用情况,提供多模态轨迹来支持场景中所有道路用户的联合预测,并通过在 CASPNet++ 上的广泛定量和定性分析证明了模型的可扩展性和在各种环境输入源上的高性能。
Aug, 2023
为了实现自动驾驶规划的社交合规和灵活性,我们提出了以规划为基础的轨迹预测(PiP)方法,通过利用自车的规划信息来指导预测过程,实现了在高速公路数据集上多智能体预测的最佳表现。此外,我们的方法通过将 PiP 与自车多个候选轨迹相结合,实现了预测和规划的新型流程,对于交互式场景中的自动驾驶非常有益。
Mar, 2020
自主车辆的一个关键挑战是准确预测周围环境中其他物体的运动,本研究开发了一种新颖的自主车辆运动预测方法,使用基于神经网络的模型为自主车辆附近的每个交通参与者预测多个热力图,并对比了不同编码器、解码器和损失函数,并引入了一种新的网格缩放技术,在 3 秒的预测区间内改进了现有方法的性能,并在更长的预测区间(最长为 8 秒)保持竞争力,评估使用的是 2022 年公开的 Waymo 运动挑战数据集。
Oct, 2023
本文提出了一种快速、稳健的运动规划框架,通过几种特征实现了在城市条件下实现自动驾驶,其中包括了路径规划和基于 A * 算法的最优轨迹计算,并考虑了各种不同的约束条件和时间跨度进行了验证。
Mar, 2018
本文提出一种使用自学生成流技术的框架,自动学习行驶中的自由运动的物体,以替代在自主驾驶系统中昂贵的人工标注,实现更广泛、准确、自主的交通参与者识别和动作预测。
Oct, 2022