基于双阶段 GAN 的连续轨迹生成
通过将序列预测和生成对抗网络的工具相结合,我们成功地解决了自动移动平台中的人体运动行为预测问题,并在准确性,多样性,碰撞避免和计算复杂性方面胜过了以往的工作。
Mar, 2018
该研究提出了一种基于生成对抗性模型(TrajGAIL)的机器学习方法,使用生成建模方法学习城市车辆轨迹数据的潜在分布,从而能够生成与实际车辆轨迹相似的合成轨迹来解决数据稀疏性或数据隐私问题,并在模拟和现实数据集中得到显著的性能提升。
Jul, 2020
通过提出地理感知的生成模型 MobilityGPT,该研究利用生成预训练变压器(GPT)将人类移动性建模为一个自回归生成任务,并采用基于引力的抽样方法和道路连接矩阵来确保生成的轨迹符合地理空间限制,在减轻挑战的同时生成高质量、接近真实数据的移动轨迹。
Feb, 2024
本文提出了一种新颖的深度学习框架,用于人类轨迹预测和在人群中检测社交群体成员。我们引入了一个生成对抗网络管道,可保留行人社区的时空结构,从而使我们能够提取描述其社会身份的相关属性,并将群体检测任务公式化为无监督学习问题,不需要通过手动标记的数据库进行监督学习,使我们能够直接将所提出的框架应用于不同的监控设置。我们在多个公共基准测试上评估了所提出的轨迹预测和群体检测框架,对于这两个任务,所提出的方法都证明了其相对于现有最先进方法更能够预测人类的社会行为。
Dec, 2018
通过使用拓扑约束扩散模型的可控轨迹生成框架 ControlTraj,该研究提出了一种生成高度保真轨迹的方法,并整合了道路网络拓扑的结构约束,以指导地理结果。
Apr, 2024
我们提出了一种轨迹预测框架,能够捕捉人行轨迹的社会交互变化和断开的流形,并通过灵活的生成器选择网络学习多个生成器之间的分布。该框架在不同的挑战性数据集上表现出与几个基线方法相比的最先进性能。
Nov, 2023
本研究提出了一种新的框架,即 SpatioTemporal-Augmented gRaph 神经网络(STAR),以建模地点的动态时空影响和优化人类移动轨迹的生成过程,结果优于现有最先进的方法。
Jun, 2023
本论文提出了一个用于自动驾驶性能验证的仿真器 TrajGen,该仿真器基于自然驾驶数据进行强化学习,可以直接从人类演示中捕捉更真实的行为,并生成可靠而多样的行动轨迹来评估仿真场景中的性能表现。
Mar, 2022
通过使用 SoFGAN 模型,结合了 GAN、SFM 和 CVAE 模块,能够准确预测人的运动轨迹,降低碰撞风险,且具有低计算成本。
Nov, 2023
本研究提出了一种基于数字孪生的人类移动预测方法,将粗粒度预测与细粒度预测分为两个阶段,通过自动提取城市范围内的移动趋势和使用概率轨迹检索方法来实现预测。该方法在日本关东地区的真实 GPS 数据集上测试获得了良好的预测准确度和时间效率。
Jun, 2022