多预测器融合:结合基于学习和基于规则的轨迹预测器
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
本研究通过评估现有运动预测模型在冲突相关度量中的成功率发现现有模型预测成功率低且会在交互模拟器测试中导致大量碰撞,并提出了一种新的、简单有效的基于物理与学习的预测模型来实现冲突及关系的推断,并在 Waymo 交互驾驶数据集中的实际交互驾驶场景中表现出优异的性能。
Nov, 2022
自主驾驶系统需要全面理解和预测周围环境,以在复杂场景中做出明智决策。为了解决预测和规划中的三个主要挑战,并提升准确性和一致性,本文引入了一种混合预测集成规划系统 (HPP)。通过创新设计的模块,HPP 在预测和规划方面取得了最先进的性能,展示了在预测和规划的端到端范式中卓越的准确性和一致性。
Feb, 2024
为了实现自动驾驶规划的社交合规和灵活性,我们提出了以规划为基础的轨迹预测(PiP)方法,通过利用自车的规划信息来指导预测过程,实现了在高速公路数据集上多智能体预测的最佳表现。此外,我们的方法通过将 PiP 与自车多个候选轨迹相结合,实现了预测和规划的新型流程,对于交互式场景中的自动驾驶非常有益。
Mar, 2020
本文提出了一种基于 MultiPath++ 的自动驾驶未来行为预测模型,通过稀疏编码和上下文感知融合等优化,使用深度学习实现了对未来行为的高质量预测,达到了领先水平。
Nov, 2021
这篇论文介绍了一种人类似的轨迹预测模型(HLTP 模型),它采用了灵感自人类认知过程的教师 - 学生知识蒸馏框架,这种方法可以在动态环境中动态适应变化的驾驶场景,提高准确预测的关键知觉线索的获取能力。该模型在 Macao Connected and Autonomous Driving (MoCAD) 数据集以及 NGSIM 和 HighD 基准测试中展示出优于现有模型的性能,特别是在数据不完整的具有挑战性的环境中。
Feb, 2024
为了预测智能与健壮的复杂动态环境下未来的多个目标路径,该论文提出了基于概率的框架来学习表示语义多模态未来的潜在变量,其中利用动态基于注意力的状态编码器学习编码智能体之间的交互,可被用于车辆轨迹预测。
Nov, 2019