Nov, 2022

P4P：自主驾驶规划中考虑冲突的运动预测

PDF
TL;DR本研究通过评估现有运动预测模型在冲突相关度量中的成功率发现现有模型预测成功率低且会在交互模拟器测试中导致大量碰撞，并提出了一种新的、简单有效的基于物理与学习的预测模型来实现冲突及关系的推断，并在 Waymo 交互驾驶数据集中的实际交互驾驶场景中表现出优异的性能。
motion predictionautonomous vehiclesconflict identificationlearning-based predictorinteractive scenarios
发现论文，激发创造
  • 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

  • 多预测器融合：结合基于学习和基于规则的轨迹预测器

    本文介绍了一种称为 MPF 的算法，它通过将遵循基于逻辑的规则的运动规划和基于学习的预测器相结合，在高度交互式交通场景中提高了学习基础预测器的性能。结果显示，在各种指标上，MPF 优于两个独立预测器，并提供最一致的性能。

    Jul, 2023

  • 自动驾驶的混合预测集成规划

    自主驾驶系统需要全面理解和预测周围环境，以在复杂场景中做出明智决策。为了解决预测和规划中的三个主要挑战，并提升准确性和一致性，本文引入了一种混合预测集成规划系统 (HPP)。通过创新设计的模块，HPP 在预测和规划方面取得了最先进的性能，展示了在预测和规划的端到端范式中卓越的准确性和一致性。

    Feb, 2024

  • KI-PMF: 知识集成的可信动作预测

    本文通过整合先验知识，提出了防止离线道路预测以实现安全可靠的运动预测的概念，以确保自主车辆在复杂和动态场景中的可达性保证。

    Oct, 2023

  • 自动驾驶的基于路径的轨迹预测

    通过提出基于路径的预测（PBP）方法，可以改进基于目标的预测模型，在标准轨迹预测指标方面取得竞争性表现，并在地图合规性方面明显优于现有方法。

    Sep, 2023

  • 深度交互式动作预测与规划：通过动作预测模型进行游戏

    本研究提出一种多智能体策略网络和博弈论模型预测控制器相结合的方案，将自动驾驶车辆的预测和规划层紧密耦合，能够有效生成交互行为。

    Apr, 2022

  • 通过可解释的语义表示感知、预测并规划安全运动

    本论文提出了一种全新的端到端可学网络，它可以对自动驾驶车辆进行联合感知、预测和运动规划，并产生可解释的中间表示。它的运动规划成本与感知和预测估计一致，通过使用一种新的可微分语义占用表示法作为运动规划进程的成本实现。通过从人类示范中端到端学习，用大规模手动驾驶数据集和闭环模拟实验表明，所提出的模型在模仿人类行为和产生更安全的轨迹方面明显优于现有技术。

    Aug, 2020

  • 城市环境中基于交互感知的行为概率预测

    本研究提出了基于动态贝叶斯网络的概率性交通预测模型，结合马尔科夫模型和上下文感知的车辆运动模型，可以更精准地预测未来的交通路径和解决交互问题。相较于基于物理学和地图的方法，该模型表现更加优越。

    Apr, 2018

  • 自主驾驶可微分的集成运动预测和规划学习代价函数

    我们提出了一种可微分的预测 - 规划框架，使用一个可微分的非线性优化器作为运动规划器，通过神经网络预测周围代理人的轨迹并为自主车辆优化轨迹，我们的模型使用真实世界的驾驶数据集进行训练，并在开环测试和闭环测试中得到验证，拥有比基线模型更好的性能，证明联合训练规划和预测模块比独立训练预测模块更优。

    Jul, 2022

  • 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