通过引导轨迹扩散控制行人动画的追踪与节奏
我们的研究论文致力于解决行人模拟中内容多样性与可控性的挑战,通过在特定轨迹下追踪运动部位并实现多样化的人体运动,提供更真实、适应性更强的行人模拟。
Apr, 2024
评估自动驾驶车辆规划算法的性能需要模拟长尾交通场景。通过引入基于引导扩散模型的闭环模拟框架,我们提出一种新的方法来生成现实世界情景的安全关键场景,并通过增强的可控性使评估更全面和互动性更强。通过相关的引导目标,我们改善了道路进展,同时降低了碰撞和离道率,从而实现了这一目标。通过去噪过程中的对抗项,我们开发了一种模拟安全关键场景的新方法,使对抗性代理能够通过可行的操纵手段挑战规划器,同时场景中的所有代理均表现出反应灵敏和逼真的行为。我们通过使用 NuScenes 数据集的实证验证了我们的框架,证明了在现实性和可控性方面的改进。这些发现肯定了引导扩散模型为安全关键、互动式交通模拟提供了强大而通用的基础,进一步扩展了其在自动驾驶领域的实用性。请访问我们的项目页面(https URL)获取更多资源和演示。
Dec, 2023
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
本研究开发了一种预测多个行人之间交互的模型,采用了博弈论和基于深度学习的视觉分析相结合的方法,可以更好地解释人类的互动,相比现有技术的最先进方法提升 25% 的预测精度。
Apr, 2016
自动驾驶任务中,在复杂交通环境中进行轨迹预测需要遵循现实世界的环境条件和行为多模态。我们介绍了一种名为 Controllable Diffusion Trajectory (CDT) 的新型轨迹生成器,它将地图信息和社交交互融入到基于 Transformer 的条件去噪扩散模型中,以指导未来轨迹的预测。通过引入行为标记,如直行、向右转或向左转,确保轨迹呈现多模态,并且使用预测的终点作为替代行为标记,以促进准确轨迹的预测。在 Argoverse 2 基准测试中的大量实验表明,CDT 在复杂城市环境中生成多样且符合场景要求的轨迹。
Feb, 2024