Apr, 2023

另一种竖直视角：通过光谱实现异质轨迹预测的分层网络

PDF
TL;DR本文提出了一种层次化建模预测轨迹的方法，同时考虑频域响应、维度交互和不同时间尺度下的行为，以更好地适应不同形式和类型的轨迹数据；实验结果表明该方法在各类轨迹数据集上表现优异。
trajectory predictionheterogeneous trajectoriesdimension-wise interactionsspectral domainbilinear structure
发现论文，激发创造
  • 在图谱频谱域中预测和解释车辆轨迹

    该论文提供了对交通场景的图谱表示的全面分析和解释。基于时空车辆交互图，观察到的交通场景可以通过多维图傅里叶变换转换为图谱域。由于这些谱场景表示成功地融合了交通场景的复杂和交互性质，因此采用了优良的特征表示方法用于预测车辆轨迹。该论文引入了 GFTNNv2，它是一个在图谱域中预测车辆轨迹的深度学习网络。在公开可用的数据集 highD 和 NGSIM 上评估 GFTNNv2，与现有的预测方法相比，性能提升高达 25%。

    Aug, 2023

  • TraPHic: 基于加权交互的稠密异构交通轨迹预测

    本研究提出了一种新算法，使用 LSTM-CNN 混合网络来预测道路交通视频中不同车辆代理的不同轨迹，相较于现有算法，我们考虑了不同代理相互作用的多样性，还考虑了基于地平线视野的交互，效果比现有算法提高了 30%。

    Dec, 2018

  • 通过风险和场景图学习进行异构轨迹预测

    本文提出了一种利用风险和场景图学习方法来预测异构道路代理轨迹的方法，该方法包括异构风险图和层次场景图，具有在驾驶情况下更有效的轨迹预测，并且在 nuScenes，ApolloScape 和 Argoverse 数据集上展示了优越的性能。

    Nov, 2022

  • 考虑驾驶异质性的纵向轨迹的概率性预测与可解释性

    基于混合密度网络（MDN）的轨迹预测框架结合驾驶异质性提供概率化和个性化预测，在广泛的车辆轨迹数据集上验证表明该模型相较于现有基准模型能够生成具有显著改进的概率未来轨迹，而驾驶行为特征向量作为额外输入则能提供更多信息以提高预测准确性。

    Dec, 2023

  • 基于异构图的轨迹预测：局部地图环境和社交互动

    利用语义场景图、基于图像的地图特征以及锚路径生成，我们提出了一种改进的基于向量的轨迹预测方法，解决了交通参与者之间的复杂交互、地图背景和交通规则之间的挑战性问题，相较于基准模型 HoliGraph，我们的方法显示出明显的优势。

    Nov, 2023

  • 具有融合时空图灵活多产生器模型的轨迹预测

    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

  • 探究时空多频分析用于实现高保真度和时空一致性的视频预测

    本文提出基于多级小波分析的视频预测网络，以应对图像失真和时间不一致等现有预测模型所存在的问题，大量实验结果表明，本方法相较其他最先进的方法，具有更高的保真度和时间一致性。

    Feb, 2020

  • 使用图 LSTM 中的谱聚类预测道路行驶体轨迹和行为

    本研究提出了一种新的方法，基于谱图分析和深度学习，预测城市交通情景中的交通流量变化和道路代理的行为以及规律，通过一种加权动态几何图（DGG）表示路代理之间的距离，并提出一种基于谱聚类的新型正则化算法，有效降低预测误差并提高预测精度，经验证，平均预测误差降低了大约 75％；行为预测的加权平均准确度为 91.2%。

    Dec, 2019

  • 光谱时空图神经网络用于轨迹预测

    这篇论文提出了一种名为 SpecTGNN 的图神经网络，它结合了时域和频域中的信息来实现对自主车辆和社交移动机器人周围环境的运动预测，获得了目前公开数据集上预测精度方面的最优表现。

    Jun, 2021

  • 基于知识感知的图形转换器用于行人轨迹预测

    该论文提出了一个图变换器结构来改进预测性能，捕捉数据集中不同场所和情景之间的差异，并设计了一种自注意机制和域适应模块来提高模型的泛化能力。此外，还引入了一种考虑跨数据集序列的额外指标用于训练和性能评估目的。使用 ETH 和 UCY 等流行的公共数据集验证和比较了所提出的框架，实验结果表明了我们提出的方案的改进性能。

    Jan, 2024