Oct, 2022

具有向量化表示的交互车辆条件目标导向轨迹预测

PDF
TL;DR本文提出了一种新的 CGTP 框架来进行交互行为预测，在 Argoverse 和 Waymo 数据集上进行实验并与其他传统方法进行比较，结果表明我们的模型具有更好的预测能力。
interactive behavior predictionconditional goal-oriented trajectory predictioncgtp frameworkgoinetgtfnet
发现论文，激发创造
  • 基于图的交互感知多模态 2D 车辆轨迹预测利用扩散图卷积网络

    通过捕捉交互作用，这项研究提出了基于图的多模态轨迹预测模型，利用扩散图卷积网络有效预测未来车辆轨迹，并给出了相应概率，解决车辆交互和多模态行为的挑战。

    Sep, 2023

  • 使用图神经网络联合交互和轨迹预测自动驾驶

    本文提出了一种基于图神经网络的方法，通过显式建模相互作用来预测交通场景中车辆的未来动向，并采用自动标注函数来生成交互标签，从而有效地降低了轨迹误差。

    Dec, 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

  • 可解释式目标导向车辆轨迹预测模型

    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

  • 基于目标驱动的阶段性网络用于轨迹预测

    本文提出了 Stepwise Goal-Driven Network (SGNet) 的循环网络来预测观察到的行人或车辆在多个时间尺度上的轨迹，并通过连续建模目标的变化提供更准确和详细的信息。作者在三个第一人称交通数据集和三个鸟瞰数据集上对模型进行了评估，并展示了在所有数据集上都取得了最先进的结果。

    Mar, 2021

  • 条件生成神经系统用于概率轨迹预测

    本文提出一种条件生成神经系统 (CGNS)，用于概率轨迹预测，该系统结合了条件潜空间学习和变分分歧最小化的优势，并利用软注意机制和可微障碍函数的正则化方法，将生成的样本推入可行区域。实验结果表明，与各种基线方法相比，我们的这个模型在预测准确性方面表现更好。

    May, 2019

  • TPNet: 运动预测的轨迹提议网络

    提出了一个新型的两阶段运动预测框架 ——Trajectory Proposal Network (TPNet)，即先通过生成候选的运动轨迹假设，再根据满足物理限制情况下的分类和细化来进行最终预测，从而实现了安全和多模态的预测，通过这种方法有效地缓解了运动预测问题的复杂性，同时保证了多模态输出。

    Apr, 2020

  • 基于领域知识驱动的伪标签方法：解释性目标条件交互轨迹预测

    本文研究了自主驾驶领域中高度交互场景下的自动驾驶轨迹预测问题，提出了基于条件变分自编码器 (CVAE) 模型的交互式潜空间表示方法以及采用伪标签避免 KL 消失的策略，并在开放数据集上进行了定量和定性评估。

    Mar, 2022

  • 一个多阶段目标驱动网络用于行人轨迹预测

    该论文提出了一种用于行人轨迹预测的新方法，称为多阶段目标驱动网络 (MGNet)。通过预测中间阶段目标来生成轨迹，以减小预测误差。MGNet 包括条件变分自编码器 (CVAE)、注意力模块和多阶段目标评估器等主要组件。我们通过对 JAAD 和 PIE 数据集进行全面实验，并与最先进的算法进行比较评估，证明了 MGNet 的有效性。

    Jun, 2024

  • MTP-GO：基于图的概率多智能体轨迹预测与神经 ODE

    提出了一种名为 MTP-GO 的模型，该模型使用时间图神经网络对场景进行编码，并使用神经常微分方程实现运动模型，通过结合混合密度网络和卡尔曼滤波的概念提供多模态概率预测，证明了其在各种数据集上的预测能力优于现有方法

    Feb, 2023