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
在动态环境中，道路用户轨迹预测是一个具有挑战性但十分关键的任务，特别适用于自动驾驶等各种应用。本研究提出了一种新的框架，以计算高效的方式利用扩散模型来预测未来的轨迹。我们展示了该方法在常见的行人和自动驾驶基准数据集上取得了最先进的性能。
Oct, 2023
基于扩散的生成模型用于多智能体轨迹预测，具有学习数据多样性、提高预测准确性和应对不确定交通状况的实用性。
Mar, 2024
使用散射模型生成多个合理的未来轨迹分布，通过解决时间消耗和意图不确定性的问题，能够提高推理速度并实现更少的扩散步骤。
提出了一种生成道路网络约束的轨迹数据的新方法 Diff-RNTraj，该方法包括连续扩散模型和面向时空有效性的损失函数，通过嵌入轨迹数据来扩展实际应用需要中的数据规模。实验证明了该模型的有效性。
Feb, 2024
我们提出了一个无需调整的框架来实现轨迹可控的视频生成，通过对噪声构建和注意力计算施加引导，扩展了传播模型的轨迹可控性。
Jun, 2024
定义五个设计目标的隐私保护轨迹发布方法，以选择适当的隐私单元为重点。在此框架下，对现有的轨迹保护方法进行了简要讨论，并强调它们的不足之处。本工作聚焦于在所提出的框架下对轨迹的最新生成模型进行系统化。我们发现目前没有现有的解决方案能够满足所有需求。因此，我们进行了一个实验研究，评估六个顺序生成模型在轨迹领域的适用性。最后，我们得出结论，提供语义保证的生成轨迹模型仍然是一个开放的研究问题，并提出了未来研究的具体下一步。
基于扩散模型的轨迹优化问题传统上使用神经网络生成高质量且多样化的解决方案，本文提出了一种新颖的考虑约束的扩散模型用于轨迹优化，引入了一种新颖的混合损失函数进行训练，能够最小化扩散样本与真实数据之间的约束违规问题，同时恢复原始数据分布，实验证明在桌面操纵和双车回避问题上，该模型在最小化约束违规和生成接近局部最优解的样本方面优于传统扩散模型。
从稀疏观测数据中学习动力系统是许多领域（包括生物学、金融学和物理学）的一个关键问题。这篇论文介绍了一种将条件粒子滤波与祖先采样和扩散模型相结合的方法，能够生成与观测数据相符合的逼真轨迹。该方法基于迭代条件粒子滤波与祖先采样生成匹配观测边缘概率的合理轨迹，并学习相应的扩散模型。该方法既为复杂约束下高质量、平滑的轨迹提供了一种生成方法，又有效近似了粒子平滑分布在经典跟踪问题中。我们在时间序列生成和插值任务上展示了该方法，包括车辆追踪和单细胞 RNA 测序数据。
学习轨迹分布的先验信息可以帮助加速机器人运动规划优化，本工作提出了学习扩散模型作为先验信息的方法，并通过扩散模型的逆去噪过程在任务目标条件下直接从后验轨迹分布中进行采样，实验证明扩散模型是编码高维机器人运动轨迹分布的强先验。
Aug, 2023