CVPRNov, 2022

FJMP: 基于学习有向无环交互图的分解联合多智能体运动预测

PDF
TL;DR本文提出了一种用于自动驾驶中多智能体交互驾驶情景下预测未来场景级联联轨迹的方法，并称之为 FJMP。FJMP 将未来场景交互动力学建模为稀疏有向交互图，对联合预测任务进行分解并使用有向无环神经网络进行预测。实验表明 FJMP 在交互最多和动力学最有趣的代理上比非因式分解方法产生了更准确和一致的联合轨迹预测。
autonomous drivingmulti-agent scenariosfuture trajectory predictioninteraction dynamicsdirected acyclic graph
发现论文，激发创造
  • 自主车辆的交互式运动规划与联合优化

    MPC 与学习预测模型相结合的交互联合规划（IJP）在计算上可扩展的方式上提供了最佳结果。

    Oct, 2023

  • FIMP: 多智能体运动预测的未来互动建模

    通过未来互动建模的多智能体运动预测，在自主驾驶中改进性能并在 Argoverse 运动预测基准测试中取得优越成绩。

    Jan, 2024

  • MAP-Former：多智能体配对高斯联合预测

    通过预测交通代理对的协方差矩阵，提出了一种 “场景中心” 的运动预测新方法，为基于统计方法的风险评估奠定基础。

    Apr, 2024

  • 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

  • 从因子化边缘轨迹预测到交互式预测的 M2I 模型

    利用交互作用代理之间的关系，将联合预测问题分解为边际预测问题，继而通过使用边际预测模型和条件预测模型，预测行人的轨迹，并根据它们的联合可能性进行组合和选择。

    Feb, 2022

  • 神经运动信息传递的协作运动预测

    本研究提出了一种神经网络消息传递模型来模拟交通参与者之间的协作和交互，以及对行为建模的单个参与者。在两种设置下，模型都高效优于之前最先进的方法。

    Mar, 2020

  • 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

  • 基于多头注意力和联合代理 - 地图表示的自动驾驶轨迹预测

    利用多头注意力机制生成多模态未来轨迹预测，以最佳地利用静态场景和环境的信息，实现自动驾驶车辆的精准导航，该模型在 nuScenes 预测基准测试中取得了最佳结果。

    May, 2020

  • JointMotion：联合自监督的联合动作预测

    我们提出了 JointMotion，一种用于自动驾驶中联合运动预测的自我监督学习方法。该方法包括一个连接运动和环境的场景级目标和一个细化学习表示的实例级目标。我们的评估结果表明，这些目标相辅相成，并且在联合运动预测的预训练中胜过最近的对比和自编码方法。此外，JointMotion 适应所有常用的用于运动预测的环境表示类型（即以代理为中心、场景为中心和成对的相对位置），并在 Waymo Open Motion 和 Argoverse 2 Forecasting 数据集之间实现了有效的迁移学习。值得注意的是，我们的方法将 Wayformer、Scene Transformer 和 HPTR 的联合最终位移误差分别提高了 3%、7% 和 11%。

    Mar, 2024

  • 基于递进交互的自动驾驶轨迹预测学习

    通过逐步交互网络和权重分配机制提高地图约束条件对代理的特征表示的学习，从而实现准确的行为预测，以优化自动驾驶性能。

    Mar, 2024