分析 PECNet 的鲁棒性
该研究提出了 Predicted Endpoint Conditioned Network (PECNet) 方法用于灵活的人类轨迹预测,在 Drobe 和 ETH/UCY 数据集上的结果分别比之前最好结果提高了约 20.9% 和 40.8%。
Apr, 2020
我们提供了两种鲁棒性定义(标签鲁棒性和纯鲁棒性),利用 PAC 框架进行鲁棒性验证,并通过 TrajPAC 工具评估了四种最先进的轨迹预测模型在多个场景下的鲁棒性性能。
Aug, 2023
本研究旨在评估几种常见基线以及两种环境感知模型在自动驾驶中进行准确且稳健的车道预测的表现,结果发现训练过程中加入与实际部署场景相似的扰动可以有效减少性能下降,但仍无法保证对未知的干扰具有鲁棒性,甚至有时降低输入噪声反而有助于提高预测准确性。
Apr, 2023
本文提出了一种基于场景进行评估的新模式,以评估自主行驶系统中行人轨迹预测算法的挑战,并通过实证评估在多模态来源数据的融合和有效的分层方式下取得了显著的改进。
Oct, 2023
为了实现安全和舒适的驾驶操控,行人意图预测对于自动驾驶至关重要。本研究提出了一个名为 ARCANE 的框架,可以通过生成 C/NC 视频段样本的方式来解决现有数据集中缺乏多样性的问题。同时,还介绍了一个名为 PedSynth 的大型多样化数据集,该数据集补充了常用的真实世界数据集,例如 JAAD 和 PIE,以改进 C/NC 预测模型的准确性。考虑到 C/NC 预测模型在车载环境中的部署,研究还提出了一种名为 PedGNN 的深度模型,该模型速度快、内存占用低,基于 GNN-GRU 架构,以行人骨架序列作为输入来预测过马路的意图。
Jan, 2024
本文旨在评估各种深度神经网络在预测未来行人路径方面的有效性,使用公共数据集 TrajNet 进行评估,其中使用的分析深度网络仅依赖于观察到的轨迹,研究结果表明,RED-predictor 的表现比其他精细模型更加出色。同时探究了失败案例的原因并提出了建议。
May, 2018
我们提出了一种新颖的解决方案,用于预测行人的未来轨迹。我们的方法使用多模态编码 - 解码变换器架构,以行人位置和自车速度作为输入。值得注意的是,我们的解码器一次性预测整个未来轨迹,而不进行一步预测,这使得该方法适用于嵌入式边缘部署。我们在两个流行数据集 PIE 和 JAAD 上进行了详细实验和评估,定量结果证明我们所提出的模型在 0.5、1.0 和 1.5 秒三个时间范围内始终具有最低误差,并且相对于现有最先进技术的速度更快。此外,消融实验证明了我们方法的关键多模态配置的影响。
Jul, 2023
本研究评估步行者轨迹预测领域的最新技术,并与自动驾驶车辆中的常速模型(CVM)进行比较。使用 ETH/UCY 数据集进行评估,报告了平均位移误差(ADE)和最终位移误差(FDE)。根据真实世界应用的要求,对最初提出的模型的输入特征进行了修改,通过消融研究来研究观察到的运动历史对预测性能的影响,从而更好地理解其影响。此外,还测量了每个模型的推理时间,以评估在面对不同数量的代理时每个模型的可扩展性。结果表明,在生成单一轨迹时,简单模型仍然具有竞争力,某些被普遍认为有用的特征对不同架构的整体性能几乎没有影响。基于这些发现,提出了建议,以指导未来轨迹预测算法的发展。
Aug, 2023
提出了一种基于惩罚的模仿学习方法,采用交叉语义生成传感器融合技术来提高端到端自动驾驶的整体性能,并对其在长城 05 城镇基准测试中的性能进行了评估,并显示出相对基准模型的显著增强,同时对抗性攻击也表现出更高的鲁棒性。
Sep, 2023
该论文提出了一个图变换器结构来改进预测性能,捕捉数据集中不同场所和情景之间的差异,并设计了一种自注意机制和域适应模块来提高模型的泛化能力。此外,还引入了一种考虑跨数据集序列的额外指标用于训练和性能评估目的。使用 ETH 和 UCY 等流行的公共数据集验证和比较了所提出的框架,实验结果表明了我们提出的方案的改进性能。
Jan, 2024