Nov, 2022

通过风险和场景图学习进行异构轨迹预测

PDF
TL;DR本文提出了一种利用风险和场景图学习方法来预测异构道路代理轨迹的方法，该方法包括异构风险图和层次场景图，具有在驾驶情况下更有效的轨迹预测，并且在 nuScenes，ApolloScape 和 Argoverse 数据集上展示了优越的性能。
heterogeneous trajectory forecastingrisk and scene graph learningheterogeneous risk graphhierarchical scene graphdriving situations
发现论文，激发创造
  • HDGT: 基于场景编码的多智能体轨迹预测的异质驱动图变压器

    针对自动驾驶中编码驾驶场景以进行轨迹预测的任务，本文提出了一种新颖的骨干网络，称为异构驾驶图变换器 (Heterogeneous Driving Graph Transformer, HDGT)，将驾驶场景建模为具有不同类型节点和边的异构图，并在图神经网络 (GNN) 的聚合模块中采用分层的变换器结构来适应输入的异构性，实验结果表明，该方法在 INTERACTION Prediction Challenge 和 Waymo Open Motion Challenge 中取得了新的最优结果。

    Apr, 2022

  • 基于异构图卷积循环神经网络的动态情景表示学习用于运动预测

    本文提出了使用动态异构图来处理自动驾驶中复杂的动态场景问题，并设计了一种新颖的异构图卷积循环神经网络来捕捉动态图中不同交互信息和其演进，进而准确预测车辆的多模态未来轨迹。

    Mar, 2023

  • 基于异构图的轨迹预测：局部地图环境和社交互动

    利用语义场景图、基于图像的地图特征以及锚路径生成，我们提出了一种改进的基于向量的轨迹预测方法，解决了交通参与者之间的复杂交互、地图背景和交通规则之间的挑战性问题，相较于基准模型 HoliGraph，我们的方法显示出明显的优势。

    Nov, 2023

  • SCENE: 使用异构图神经网络推理交通场景

    本文提出了 SCENE 方法，通过使用异构图神经网络编码交通场景，利用层级图卷积和任务特定解码器进行推理和预测。结果表明，该方法在节点分类任务上表现优异，并具有较强的泛化性。

    Jan, 2023

  • TraPHic: 基于加权交互的稠密异构交通轨迹预测

    本研究提出了一种新算法，使用 LSTM-CNN 混合网络来预测道路交通视频中不同车辆代理的不同轨迹，相较于现有算法，我们考虑了不同代理相互作用的多样性，还考虑了基于地平线视野的交互，效果比现有算法提高了 30%。

    Dec, 2018

  • SemanticFormer：使用知识图谱的全局语义交通场景表示方法用于轨迹预测

    本文介绍了一种使用混合方法通过对语义交通场景图进行推理来预测多模态轨迹的方法 SemanticFormer。该方法从知识图谱中提取语义元路径的高级信息，并通过多个注意机制的新型流水线对其进行处理，以预测准确的轨迹。所提出的架构包括一个分层异构图编码器，可以捕捉代理之间及代理与道路元素之间的时空和关系信息，以及一个使用概率融合不同编码并解码轨迹的预测器。最后，一个改进模块评估轨迹和速度配置文件的准许元路径，以获得最终的预测轨迹。与现有方法相比，对 nuScenes 基准测试的评估显示出改进的性能。

    Apr, 2024

  • nuScenes 知识图谱 -- 用于轨迹预测的交通场景全面语义表示

    利用知识图谱建模交通场景中多样化实体及其语义连接，为轨迹预测提供了一个数据格式，结合图神经网络使用。

    Dec, 2023

  • 空间时间图双重注意力网络用于多智能体预测和跟踪

    本文提出了一种通用的生成神经系统（称为 STG-DAT），用于多代理轨迹预测，涉及异构代理。该系统采用了动态图形表示，并利用轨迹和场景上下文信息来明确交互建模。本文还采用了一个有效的运动学约束层，该约束不仅确保物理可行性，而且提高了模型性能。

    Feb, 2021

  • SocialFormer：边增强异构图变换器用于轨迹预测的社交交互建模

    本文介绍了一种考虑交通参与者之间复杂互动的准确轨迹预测方法，该方法利用道路拓扑和语义关系，采用了边增强的异构图转换器作为聚合器，通过图神经网络对语义和空间交互信息进行编码，同时引入了基于门控循环单元的时间编码器来模拟交通参与者的时间社会行为，最后通过信息融合框架综合表示交通场景，该方法在流行的 nuScenes 基准测试上取得了最先进的性能。

    May, 2024

  • 学习多智能体轨迹预测的社会时空图

    为了准确预测人群中行人的轨迹，需一直考虑其与其他行人的社会 - 时间相互作用。我们提出了一种完整的、明确的捕捉并分析该信息的表示方法，即基于有向无环图的社会 - 时间图（STG）。利用 STGformer 模型，我们实现了端到端的流程，学习 STG 的结构用于轨迹预测，并在两个大规模基准数据集上取得了最先进的预测精度。统计数据表明，利用这种信息明确进行预测相对于仅使用轨迹的方法能够明显提高性能。

    Dec, 2023