CVPRJun, 2023

QCNeXt：一种用于联合多智能体轨迹预测的下一代框架

PDF
TL;DR本技术报告提出了一种名为 QCNeXt 的下一代联合多智能体轨迹预测框架，其基于查询中心编码范例和多智能体 DETR 类似的解码器，并在 Argoverse2 数据集上实现了最佳结果。
autonomous drivingmulti-agent trajectory predictionqcnextscene encodermulti-agent detr-like decoder
发现论文，激发创造
  • 基于 Transformer 的多模式神经网络用于自动驾驶的运动预测

    本文介绍了一种基于 Transformer 结构的神经预测框架来模拟车辆之间的社交关系和预测可能的轨迹，其中采用了多模态注意机制来解决运动预测的多模态问题，并在 Argoverse 运动预测数据集上得到了最佳预测精度。

    Sep, 2021

  • 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

  • EqDrive: 自动驾驶旋转等变运动预测的高效多模态方法

    通过使用 EqMotion 等价粒子和人体预测模型以及多模态预测机制，我们的模型在较少参数（120 万）和显著减少的训练时间（少于 2 小时）的情况下实现了最先进的性能，实现了多智能体车辆运动预测任务。

    Oct, 2023

  • Scene Transformer: 预测多个 Agent 轨迹的统一体结构

    本篇研究旨在提出一种基于遮罩策略和注意力机制的场景中多智能体行为预测模型，以解决自动驾驶中的动态环境下多种智能体之间相互作用问题，结果表明该模型在多种运动预测任务上表现出优越性和普适性。

    Jun, 2021

  • 基于多头注意力和联合代理 - 地图表示的自动驾驶轨迹预测

    利用多头注意力机制生成多模态未来轨迹预测，以最佳地利用静态场景和环境的信息，实现自动驾驶车辆的精准导航，该模型在 nuScenes 预测基准测试中取得了最佳结果。

    May, 2020

  • MCENET：用于混合交通中同质代理轨迹预测的多上下文编码器网络

    提出了一种名为 MCENET 的方法，通过编码过去和未来的场景情境、交互情境和运动信息来捕捉未来轨迹的模式和变化，以此解决在城市混合交通区域（即共享空间）中对异质性道路代理（行人、骑车人和车辆）进行微观级别的轨迹预测的挑战。

    Feb, 2020

  • CASPNet++: 联合多智能体运动预测

    基于我们之前的工作，提出了一个改进的系统 CASPNet++，通过进一步增强交互建模和场景理解，使用时空网格模拟未来占用情况，提供多模态轨迹来支持场景中所有道路用户的联合预测，并通过在 CASPNet++ 上的广泛定量和定性分析证明了模型的可扩展性和在各种环境输入源上的高性能。

    Aug, 2023

  • 潜变量序列集合变压器用于联合多智能体运动预测

    提出了基于自动机器人（AutoBots）的潜变量序列集变压器模型，具有单代理预测和多代理预测的能力，在全局 nuScenes 车辆运行预测领域取得了最佳成果，使用了学习可并处理的时间和社会 MHSA 模块的编码器，并结合可学习的种子参数，使用临时和社会 MHSA 模块的解码器能够高效地对整个未来场景进行推断。

    Feb, 2021

  • Trajectron++：具动态可行性的混合数据轨迹预测

    Trajectron++ 是一个模块化的、图形结构的循环模型，它可以预测多个不同智能体的运动轨迹，同时考虑智能体的动态及不同的数据（例如，语义地图），它与机器人规划和控制框架紧密集成，能够在多个具有挑战性的真实轨迹预测数据集中表现出更好的性能。

    Jan, 2020

  • MTR++：基于对称场景建模和引导意图查询的多智能体运动预测

    本文提出了 Motion TRansformer (MTR) 框架进行自动驾驶中的动态预测，该框架使用可学习的意图查询来提高效率和准确性，适应多种行动方式的需求，同时扩展到多个代理的多模态预测，实现了对高度竞争的运动预测基准的最新表现和有效性的提升。

    Jun, 2023