本文提出了一种基于深度神经网络的语义意图和运动预测(SIMP)方法,该方法使用语义定义的车辆行为来适应任何驾驶场景,结合分类意向和运动信息准确地预测自动驾驶车辆的行驶路径。
Apr, 2018
通过未来互动建模的多智能体运动预测,在自主驾驶中改进性能并在 Argoverse 运动预测基准测试中取得优越成绩。
Jan, 2024
该研究论文提出了一种针对自动驾驶车辆的简单高效动作预测基准(SIMPL),通过采用紧凑高效的全局特征融合模块和连续轨迹参数化方法,实现对所有相关交通参与者的实时准确运动预测,并在与其他最先进方法的 Argoverse 1 和 2 运动预测基准测试中表现出很高竞争力,同时具有轻量级设计和低推理延迟,适合在实际环境中部署。
Feb, 2024
本文通过整合先验知识,提出了防止离线道路预测以实现安全可靠的运动预测的概念,以确保自主车辆在复杂和动态场景中的可达性保证。
Oct, 2023
本文提出了一个基于语义知识的预测框架,通过将驾驶场景建模为时空语义图,并推理这些图之间的内部关系,实现对自动驾驶汽车的行为预测。框架不仅实现了最先进的性能,而且具有良好的零样本迁移性。
Apr, 2020
本论文提出了一种全新的端到端可学网络,它可以对自动驾驶车辆进行联合感知、预测和运动规划,并产生可解释的中间表示。它的运动规划成本与感知和预测估计一致,通过使用一种新的可微分语义占用表示法作为运动规划进程的成本实现。通过从人类示范中端到端学习,用大规模手动驾驶数据集和闭环模拟实验表明,所提出的模型在模仿人类行为和产生更安全的轨迹方面明显优于现有技术。
Aug, 2020
该研究提出了一种新的数据驱动的、随机的运动综合方法 SAMP,该方法可以模拟在杂乱场景中表现不同风格的行为,通过训练 MoCap 数据可以实现优秀的表现。
Aug, 2021
该研究旨在提升基于实现值得信赖的人工智能设计需求的可靠性运动预测系统。其分析了当前评估基准的主要缺陷,提出了一个新的全面评估框架,并制定了用于模拟感知系统中的噪声的空间和时间鲁棒性评估方法。同时,提出了附加在多模态运动预测模型上的意图预测层,以提升输出的可解释性和生成更平衡的结果。最后,通过调查探讨了多模态轨迹和意图可视化中的不同元素来评估输出的可解释性。
Oct, 2022
通过将场景表示为动态占据栅格图(dynamic occupancy grid maps,DOGMs),将语义标签与占用的栅格单元关联并结合地图信息,我们提出了一个结合深度学习的时空和概率方法的新型框架来预测车辆行为,并通过与真实注释进行评估,在真实世界的 NuScenes 数据集上验证了我们的结果,表明我们的模型相对于传统的 OGM 预测方法,能够更准确地预测静态和动态车辆的行为,此外,我们进行了消融研究,并评估了语义标签和地图在架构中的作用。
Aug, 2023
本研究为了实现自主系统对未来的实时预测,将挑战性的语义预测任务分解为两个子任务:当前帧的分割和未来光流的预测,并通过引入流预测网络和特征 - 流聚合 LSTM 层以及可端到端学习的扭曲层来构建高效、有效、低开销的模型,最终实现在短期和移动对象语义预测方面的最新精度,并将模型参数降低了高达 95%,效率提高了 40 倍以上。
Sep, 2018