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
本研究提出了一种空间 - 时间联合表示学习方法 (ST-GraphRL),用于将可学习的空间 - 时间依赖性编码到轨迹表示中。该方法在预测移动空间 - 时间分布和保持轨迹相似性方面在三个真实世界人类移动数据集上优于所有基准模型,并能理解潜在空间 - 时间模式。同时,该方法在广泛的地理空间数据表示和 GeoFMs 开发方面具有可迁移性。
Dec, 2023
通过明确将过渡函数 f 作为一个函数空间的元素进行参数化,我们介绍了一种学习轨迹分布的机制,该机制使得能够有效合成新的轨迹,同时为推理(如不确定性估计、似然度评估和异常轨迹的分布检测)提供了方便的工具。
Mar, 2024
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
我们介绍了一种自监督的结构化表示和生成方法,能够提取周期性或准周期性运动中的时空关系,通过在连续参数化的潜在空间中进行运动动力学,增强了运动学习算法的插值和泛化能力,为未来的运动表示和学习算法的发展开辟了新的可能性。
Feb, 2024
本文介绍了一种使用分布式内核来表示轨迹和测量其相似度的简单而强大的方法,该方法解决了轨迹测量的两个主要不足之处,并在异常检测,子轨迹异常检测和轨迹模式挖掘等任务中表现出卓越的性能。
Jan, 2023
基于机器学习的数据驱动方法在流体力学中提出了一种新的解决方案,通过通过在连续的空间和时间域中进行预测和插值来解决传统方法中的固定支持计算和预测的缺点。
Jan, 2024
提出了一种基于条件变分自编码器的方法,通过学习演示数据中的采样分布,使用非均匀采样来加速规划过程并显著提高成功率和最优成本收敛速度,同时保持了采样策略理论保证的特性。
Sep, 2017
我们提出了 SingularTrajectory,一个基于扩散的通用路径预测框架,通过统一各种人类动力学表示,缩小了不同任务之间的性能差距。
通过字典学习提出了一种可解释的轨迹表示学习框架,该框架通过提取常用子路径的紧凑字典来重构轨迹,得到了自然稀疏且编码了强烈的空间语义的表示。