Apr, 2023

无监督采样促进基于随机人类轨迹的预测

PDF
TL;DR本论文提出了一种名为 BOsampler 的新方法，通过贝叶斯优化的方法，在长尾效应区域探索潜在路径的过程中，提高了随机预测的采样效率，该方法不需要重新训练，可与现有的随机预测模型集成，实验结果表明该方法的有效性。
trajectory predictionprobabilistic modelmonte carlobayesian optimizationstochastic predictive models
发现论文，激发创造
  • 基于非概率抽样网络的随机人体轨迹预测

    研究了随机方法在预测行人轨迹中存在的偏差问题，并提出了 Quasi-Monte Carlo 方法以及 Non-Probability Sampling Network 作为改进方案，通过实验验证了该方案可以显著提高行人轨迹预测的准确性和可靠性。

    Mar, 2022

  • 通过运动不确定性扩散进行随机轨迹预测

    本研究提出了一种基于马尔科夫链和 Transformer 的运动不确定性扩散逆向建模框架，通过逐步放弃不可行走区域的不确定性直至到达期望轨迹，用于解决行人轨迹预测中的多模态问题，并取得了在 Stanford Drone 和 ETH/UCY 数据集上的优异表现。

    Mar, 2022

  • GBD-TS：基于树采样算法的目标导向行人轨迹预测与扩散

    使用 GBD-TS 方法，基于扩散网络和目标预测，预测行人的多模态轨迹，并通过通用特征的树采样算法大幅减少推理时间，实现了实时推断并取得了最先进的性能。

    Nov, 2023

  • 带有社交图网络的随机轨迹预测

    通过使用动态构建的有向社交图和时序随机方法与 LSTMs 结合的预测，并结合个人、社交特征为目标生成的代表，成功预测了行人轨迹，特别是在拥挤的场景中。

    Jul, 2019

  • 可解释的人类轨迹预测带有行为不确定性

    提出了一种新的贝叶斯神经随机微分方程模型 BNSP-SFM，将行为 SDE 模型与贝叶斯神经网络（BNNs）相结合，展示出了卓越的预测能力，并提供了行为和观察的可量化不确定性强的解释能力，实验证明 BNSP-SFM 的预测准确性比 11 种现有方法提高了 50％，且对环境和人群密度等变化的适应能力较强。

    Jul, 2023

  • 基于模型的验证作为概率推理

    使用基于贝叶斯推断的模型方法来估计序列系统的失效轨迹，使用自动微分计算轨迹梯度并使用 Hamiltonian Monte Carlo 采样方法进行多模式捕捉和平滑处理，该方法在自主驾驶车辆、倒置摆控制系统和部分可观察月球着陆器实现，结果显示在样本效率和参数空间覆盖率方面比黑盒子基线方法有所改进，此方法已开放源代码。

    May, 2023

  • 随机场景感知运动预测

    该研究提出了一种新的数据驱动的、随机的运动综合方法 SAMP，该方法可以模拟在杂乱场景中表现不同风格的行为，通过训练 MoCap 数据可以实现优秀的表现。

    Aug, 2021

  • 时序轨迹的变分采样

    通过明确将过渡函数 f 作为一个函数空间的元素进行参数化，我们介绍了一种学习轨迹分布的机制，该机制使得能够有效合成新的轨迹，同时为推理（如不确定性估计、似然度评估和异常轨迹的分布检测）提供了方便的工具。

    Mar, 2024

  • 基于弱监督的动作转移学习用于随机人体动作预测

    本文介绍了动作驱动的随机人体运动预测任务，提出了一种有效的多步预测模型和训练策略，结合深度学习模型和不同的时间编码模型以取得更好预测效果。

    May, 2022

  • 基于双阶段 GAN 的连续轨迹生成

    本文提出了一种名为 TS-TrajGen 的新颖的两级生成对抗框架，它有效地将人类移动性问题的先前领域知识与无模型学习范例相结合，用于生成道路网络上的连续轨迹，并通过两个真实世界数据集和两个案例研究验证了该方法的有效性。

    Jan, 2023