RESET: 重访轨迹集以进行条件行为预测
本文提出了一种新颖的端到端架构,该架构接受原始视频输入并输出未来车辆运动轨迹预测,以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置,然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模,从而达到了高精度的未来车辆轨迹预测,实验结果表明,该算法优于目前各种先进模型。
Apr, 2023
在交通场景中预测人类轨迹对于混合或完全自主系统的安全至关重要。人类未来轨迹由社交互动和随机目标驱动,因此可靠的预测需要捕捉这两个刺激。我们提出了一种基于区域关系学习的模型,通过模拟关联总体态势下人类的区域动态,即人流密度变化,来模拟社交互动。此外,我们还利用条件变分自编码器实现多目标估计和多样化未来预测。通过对潜在分布进行变分推断,该模型在测试数据中可以可靠地捕捉到随机行为。将多目标估计和区域关系学习集成到预测框架中,有效地模拟了社交互动和随机目标这两个刺激。我们在 ETH-UCY 数据集和 Stanford Drone 数据集上评估了我们的框架,结果显示在 ADE/FDE 指标上,相较于现有模型,在 SDD 数据集上我们的模型分别超过了 27.61%/18.20%。
Apr, 2024
本研究使用 CARLA 模拟器开发了一个合成数据集,并使用卷积神经网络创建了一种端到端的短期轨迹预测模型,使得自动驾驶汽车能够更好地应对复杂情境,如行人穿越马路,车辆超车等,同时免去了对环境的显式编码。
Jul, 2023
本文介绍一种基于最大熵逆强化学习 (MaxEnt IRL) 的计划采样方法,以提高对未知环境下行人和车辆运动轨迹的准确性和多样性,同时考虑多模式预测分布和场景结构的影响。在 Stanford drone 和 NuScenes 数据集上的实验表明,所提出的轨迹生成方法能够生成符合复杂场景结构的多元精确预测轨迹。
Jan, 2020
本文提出了一种基于递归神经网络的高效车辆轨迹预测框架,从大量的轨迹数据中学习车辆的复杂行为模式,并使用长短时记忆递归神经网络分析车辆时间行为,预测未来坐标并产生对覆盖栅格地图上车辆未来位置的概率信息,实验结果表明该方法可以合理地估计未来轨迹。
Apr, 2017
提出多阶段概率预测路径的自主系统的新方法,包括轨迹转换、位移时间序列聚类、轨迹生成和排序建议,使用深度特征聚类方法进行分布偏移、使用新的基于距离的排序建议进行轨迹生成和分配概率,从而比传统方法更有效且准确地在人和道路代理的轨迹数据上实现上胜于无上下文的深度生成模型,同时当比较最可能的轨迹时与点估计器表现相似。
Jul, 2023
本文提出了一种新的方法,它通过对车辆行为的不确定性进行推理,结合对车道图子集的关注解码器,将学习到的离散策略展开,以探索不同的目标,从而确保模型捕捉到横向变异,进而捕捉纵向变异。该模型在 nuScenes 运动预测数据集上实现了最先进的表现,并在定性上展现出优秀的场景合规性。
Jun, 2021
CoverNet 是一种用于城市驾驶中的多模态、概率轨迹预测的新方法,将轨迹预测问题作为一组多样化轨迹的分类问题来解决,并通过动态生成轨迹组来提高方法的效率。
Nov, 2019
本研究提出了一种基于时空卷积神经网络模型,用于从视觉信息中进行轨迹预测。应用于自回归方式,提供给定初始轨迹部分的连续显式概率分布。我们使用 MNISTseq 和 Stanford Drones 两个标准数据集进行实验,并与现有方法作了比较,结果表明取得了与或优于先前方法的成果。
Dec, 2018
提出了多分支自监督预测器,通过以上下文和树状方式结合多模态轨迹的预测,解决了自动驾驶中准确预测车辆轨迹的问题;通过探索确定性预测器的不确定性评估方法,发现预测误差与所提出的两个指标存在正相关性,为确定预测置信度开辟了道路。
Jun, 2023