Jun, 2023

多智能体空间交互的定性预测

PDF
TL;DR本文介绍并对比三种多机器人交互预测算法，包括使用直观的定性表示，纳入静态和动态上下文，采用输入和时间注意力机制，基于状态 - of-the-art 深度神经网络，利用数据驱动的预测方法和 QTC 空间交互进行运动预测。实验结果表明，纯数据驱动的预测方法通常优于其他两种方法，并进一步评估其泛化能力。
发现论文，激发创造
  • QuAD: 基于查询的可解释自主驾驶神经运动规划

    自动驾驶汽车通过统一的、可解释的、高效的自主性框架，在关键因素（如碰撞避免、舒适性和进展）方面评估候选路径，从而实现了优于高保真闭环模拟中最先进水平的高速公路驾驶质量。

    Apr, 2024

  • 预测人类空间互动的动态模型的因果发现

    本研究将因果发现方法应用于人机空间相互作用建模，从真实世界的传感器数据中尝试理解人类行为，提高服务机器人场景的预测准确性。

    Oct, 2022

  • 增强人体运动预测的神经符号化方法

    本研究提出了一种新的神经符号方法（NeuroSyM）来推进人类动作预测领域，通过利用定性轨迹演算法（QTC）来在邻域中加权不同交互，并在中长期时间范围内使用两种最先进的架构进行实验测试。实验结果表明，在大多数情况下，NeuroSyM 方法在预测准确性方面优于基线架构。

    Apr, 2023

  • 城市环境中基于交互感知的行为概率预测

    本研究提出了基于动态贝叶斯网络的概率性交通预测模型，结合马尔科夫模型和上下文感知的车辆运动模型，可以更精准地预测未来的交通路径和解决交互问题。相较于基于物理学和地图的方法，该模型表现更加优越。

    Apr, 2018

  • 模糊查询注意力下的多智能体轨迹预测

    本论文提出了一种通用结构来解决如交通预测、行人跟踪、路径规划等多智体场景轨迹预测的挑战，该结构采用惯性、相对运动、意图、互动等模式来模拟运动的归纳偏差，灵活地模拟不同环境中多智体之间的相互作用，并且通过一个新的关注机制实现连续值（模糊）决策的对话模拟，取得了比现有前沿预测模型在人群运动轨迹、美国高速公路交通、NBA 运动数据和物理数据集等不同领域中的显著性能提升，同时提出了一些消融和增益方案来理解该模型的决策过程和性能提高的原因。

    Oct, 2020

  • 基于交互式 Transformer 的端到端环境感知和预测

    本文提出利用新颖 Transformer 架构的 LSTM 循环神经网络去捕捉因交互而产生的时空相关性，来解决自动驾驶场景下的 3D 物体检测及其未来运动轨迹预测，经过实验证明，本方法的准确率及效率均优于同类算法。

    Aug, 2020

  • 基于递进交互的自动驾驶轨迹预测学习

    通过逐步交互网络和权重分配机制提高地图约束条件对代理的特征表示的学习，从而实现准确的行为预测，以优化自动驾驶性能。

    Mar, 2024

  • 在密集人群中建模合作导航

    本文提出了一种模型，通过模拟人 - 人和人 - 机之间的交互，在考虑空间定位的前提下预测机器人在人群中的未来轨迹，对比实验表明该模型对于长时间段内的轨迹预测表现优于现有技术。

    May, 2017

  • 使用多个时间和空间分辨率的特征实时预测人类行为

    本文研究如何让人工智能在多个时间和空间分辨率上有效地对人类队友进行建模，并针对在 Minecraft 环境中执行任务的实验结果，展示了一种利用高低分辨率空间和时间信息提高人类行为预测准确性的方法。

    Nov, 2022

  • 利用代理选择和物理方法增强交互模型用于轨迹预测

    通过考虑车辆当前和未来轨道的 ASPIlin 方法，改进了车辆轨迹预测方法以提高准确性和效率。

    May, 2024