May, 2023

联合度量很重要：轨迹预测的更好标准

PDF
TL;DR本文针对轨迹预测的常见问题，首次全面评估了最新的预测方法，提出并优化了基于联合度量的新损失函数，可以显著提高以前的最佳表现，并在交互建模方面显著改进，结果基于 ETH/UCY 和 Stanford Drone 数 据集提供了证明。
multi-modal trajectory forecasting methodsstate-of-the-artjoint metricsinteraction modelingeth / ucy and stanford drone datasets
发现论文，激发创造
  • Social-Implicit: 重新思考轨迹预测评估和隐式最大似然估计的有效性

    提出通过使用新的度量标准来解决现有度量标准不足以全面描述生成样本的问题，该度量标准为平均马氏距离（AMD），其量化整个生成样本与真实值的接近程度并引入了平均最大特征值（AMV）指标量化预测的总体展宽程度，同时提出使用隐式最大似然估计（IMLE）代替传统生成模型来训练 Social-Implicit 模型，该模型具有 5.8K 参数、高达 580Hz 的实时运行速度和竞争性的结果。

    Mar, 2022

  • 通过启发式多智能体规划优化智能体协作

    本文提出一种新的算法解决 QDec-POMDP 问题中涉及不同类型感知智能体的问题，当其中一个智能体无法采取感知行为，但另一个智能体可以采取时，要求智能体采用相同的计划。结果表明，该算法在这些情况下比 QDec-FP 和 QDec-FPS 算法表现好得多。

    Jan, 2023

  • 从因子化边缘轨迹预测到交互式预测的 M2I 模型

    利用交互作用代理之间的关系，将联合预测问题分解为边际预测问题，继而通过使用边际预测模型和条件预测模型，预测行人的轨迹，并根据它们的联合可能性进行组合和选择。

    Feb, 2022

  • 智能：多智能体联合递归轨迹预测

    本文提出了一种解决多模态数据和场景下多主体交互的轨迹预测问题的方法，使用 convLSTM 结合 CVAE 进行多样性预测，通过多元化的数据集模拟，取得了比现有方法更好的效果

    Jul, 2020

  • MAP-Former：多智能体配对高斯联合预测

    通过预测交通代理对的协方差矩阵，提出了一种 “场景中心” 的运动预测新方法，为基于统计方法的风险评估奠定基础。

    Apr, 2024

  • 自动驾驶中运动预测的高效基线

    我们提出了一种基于 Argoverse 的有效基准线方法，旨在利用用于 Motion Prediction 的最新技术，包括注意力机制和 GNNs，来生成可行的多模态轨迹，以较少的操作和参数实现与其他 SOTA 方法相当的准确性。

    Sep, 2023

  • 多智能体轨迹预测中的协作不确定性

    提出了一种基于协作不确定性的框架来预测未来轨迹和相应的不确定性，该框架被整合为插件模块到了现有的最先进系统，并在两个数据集上进行了实验，结果表明，该框架有助于提高预测性能。

    Oct, 2021

  • FJMP: 基于学习有向无环交互图的分解联合多智能体运动预测

    本文提出了一种用于自动驾驶中多智能体交互驾驶情景下预测未来场景级联联轨迹的方法，并称之为 FJMP。FJMP 将未来场景交互动力学建模为稀疏有向交互图，对联合预测任务进行分解并使用有向无环神经网络进行预测。实验表明 FJMP 在交互最多和动力学最有趣的代理上比非因式分解方法产生了更准确和一致的联合轨迹预测。

    Nov, 2022

  • 多智能体张量融合用于上下文轨迹预测

    自动驾驶中准确预测其他车辆 / 行人的运动轨迹非常重要，本文提出了一种基于多智能体张量融合网络的模型，可以模拟代理人之间的交互和约束以及环境场景等因素，从而实现对未来运动轨迹的精准预测，并在高速公路和行人数据集上表现出最先进的预测精度。

    Apr, 2019

  • 蒙特卡洛树搜索与风险指标在不确定环境下的合作轨迹规划

    本文使用蒙特卡罗树搜索和核回归，基于马尔可夫决策过程和风险度量，采用震荡信念状态方法，分析自动驾驶车辆与人类交通合作的不确定性。结果表明，在不确定的环境下，整合风险度量在最终选择策略中始终优于基线，可以生成较为安全的车辆轨迹。

    Mar, 2022