CVPRMar, 2023

利用增量 Pearson 相关系数进行联合多智能体轨迹预测

PDF
TL;DR介绍了一种基于 incremental Pearson 相关系数的新型模块，用于提高多智能体交互建模的性能，它可以方便地嵌入到现有的多智能体预测方法中，并通过在多个数据集上的实验表明，在 baselines 上的表现都有很大程度的提升。
发现论文，激发创造
  • 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

  • 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

  • 利用代理选择和物理方法增强交互模型用于轨迹预测

    通过考虑车辆当前和未来轨道的 ASPIlin 方法，改进了车辆轨迹预测方法以提高准确性和效率。

    May, 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

  • 多智能体轨迹预测中的协作不确定性

    提出了一种基于协作不确定性的框架来预测未来轨迹和相应的不确定性，该框架被整合为插件模块到了现有的最先进系统，并在两个数据集上进行了实验，结果表明，该框架有助于提高预测性能。

    Oct, 2021

  • 利用时态知识图表征出版物影响力进行引文轨迹预测

    本文提出了 CTPIR 框架以进行引文轨迹预测，使用新文章和现有文章的历史属性信息来表示影响力，并测试其效果。实验结果在引文轨迹预测任务上表现出很高的性能。

    Oct, 2022

  • 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

  • 多智能体动态的概率对称性

    本研究针对多智能体动态问题，提出能更好地进行概率预测的 PECCO 深度动态模型，并利用旋转等变性来提高预测精度和不确定性校准。PECCO 可显著改善非等变基准模型的准确性和校准，其应用前景广阔。

    May, 2022

  • CMP：多智能体通信的合作运动预测

    利用协作感知和协作预测，该研究论文提出了一种使用激光雷达信号进行增强跟踪和预测能力的方法，通过实验证明了该方法在复杂情况下显著提高了自动驾驶车辆的性能。

    Mar, 2024

  • 基于 Copulas 的多智能体模仿学习

    本论文提出一种使用 copula 来明确建模多智能体系统中相关性和协调性的方法，该方法可以分别学习捕捉每个智能体局部行为模式的边缘分布以及完全捕捉智能体之间依赖结构的 copula 函数，实验结果表明，该模型在动作预测任务中表现优于现有基线，并能够生成接近于专家演示的新轨迹。

    Jul, 2021