Jun, 2022

ScePT: 基于情景一致性和策略的轨迹预测规划

PDF
TL;DR本研究中，我们提出了一种基于策略规划的轨迹预测模型 ScePT，它能够生成准确的、符合场景一致性的轨迹预测，适用于自主系统运动规划，并学习一个可用于条件预测的 agent 交互策略。多个真实世界的行人和自主车辆数据集上的实验显示，ScePT 能够匹配当前最先进的预测精度，并显著提高场景一致性。我们还展示了 ScePT 与下游应急规划器的配合能力。
trajectory predictionautonomous systemsscene consistencyagent interaction policymotion planning
发现论文，激发创造
  • SEPT：面向运动预测的高效场景表示学习

    该研究呈现了 SEPT，一个利用自我监督学习来开发复杂交通场景的强大时空理解能力的建模框架，其通过三个遮蔽 - 重构建模任务对包括车辆轨迹和道路网络在内的场景输入进行预训练，然后在下游预测任务上微调，实验证明 SEPT 在 Argoverse 1 和 Argoverse 2 运动预测基准测试中无需繁琐的架构设计或手动特征工程，在所有主要指标上都显著优于以前的方法。

    Sep, 2023

  • 可行的车辆轨迹预测

    本文提出了一种新的自动驾驶车辆轨迹预测方法，名为 PTNet，其通过结合古典的纯追踪路径跟踪算法和现代基于图形的神经网络，能够在保证预测轨迹的物理现实性的同时，表现与其他最先进的方法相同，并且只需要原有方法所需数据的一半。

    Apr, 2021

  • Scene Transformer: 预测多个 Agent 轨迹的统一体结构

    本篇研究旨在提出一种基于遮罩策略和注意力机制的场景中多智能体行为预测模型，以解决自动驾驶中的动态环境下多种智能体之间相互作用问题，结果表明该模型在多种运动预测任务上表现出优越性和普适性。

    Jun, 2021

  • 智能：多智能体联合递归轨迹预测

    本文提出了一种解决多模态数据和场景下多主体交互的轨迹预测问题的方法，使用 convLSTM 结合 CVAE 进行多样性预测，通过多元化的数据集模拟，取得了比现有方法更好的效果

    Jul, 2020

  • 基于网格化规划条件下未知环境下的轨迹预测

    本文介绍一种基于最大熵逆强化学习 (MaxEnt IRL) 的计划采样方法，以提高对未知环境下行人和车辆运动轨迹的准确性和多样性，同时考虑多模式预测分布和场景结构的影响。在 Stanford drone 和 NuScenes 数据集上的实验表明，所提出的轨迹生成方法能够生成符合复杂场景结构的多元精确预测轨迹。

    Jan, 2020

  • 基于以智能体为中心的时空栅格的场景合规轨迹预测

    使用基于网格表示的模型，结合卷积神经网络及 ConvLSTM 解码器，针对人体运动预测中存在的非线性、多模态和不确定性等问题提出了一种解决方案，取得了优于现有方法的效果和真实性。

    Sep, 2019

  • GoalNet: 面向目标区域的行人轨迹预测

    通过使用场景上下文和观察到的轨迹预测目标点，再根据目标点预测未来轨迹，GoalNet 可以显著提高行人轨迹预测的性能。

    Feb, 2024

  • PiP：面向自动驾驶的规划感知轨迹预测

    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

  • TrafficPredict: 面向异构交通行为的轨迹预测

    提出了一种基于 LSTM 的实时交通预测算法 TrafficPredict，通过学习不同交通主体的移动模式和交互方式来提高交通路径预测的准确性，应用于自动驾驶交通领域，较之先前的算法具有更高的准确性。

    Nov, 2018

  • 使用多项式轨迹参数化的时间连续概率预测

    本文提出一种基于多项式轨迹参数化的时态连续概率轨迹预测表述，并在两个大型自动驾驶数据集上评估了该提出表述。结果表明，该方法预测车辆、自行车和行人未来运动的效果优于其他表述方式。

    Nov, 2020