基于扩散的多智能体对抗跟踪

Jul, 2023

Diffusion Based Multi-Agent Adversarial Tracking

Sean Ye, Manisha Natarajan, Zixuan Wu, Matthew Gombolay

TL;DR本文介绍了一种名为 CADENCE 的方法，旨在通过利用过去的稀疏状态信息生成对敌人位置的全面预测。我们提出了一种新的基于交叉注意力的扩散模型，利用基于约束的采样生成多模态轨迹假设。我们的单目标模型在所有时间范围内的平均位移误差（ADE）预测中超过了所有基线方法的表现。

Abstract

target tracking plays a crucial role in real-world scenarios, particularly in drug-trafficking interdiction, where the knowledge of an adversarial target's location is often limited. Improving autonomous tracking systems will enable unmanned aerial, surface, and underwater vehicles to

target tracking autonomous systems multi-agent tracking diffusion model monte-carlo sampling

发现论文，激发创造

基于扩散的环境感知轨迹预测

基于扩散的生成模型用于多智能体轨迹预测，具有学习数据多样性、提高预测准确性和应对不确定交通状况的实用性。

Mar, 2024

基于扩散的运动行为预测的可控多样性采样

自动驾驶任务中，在复杂交通环境中进行轨迹预测需要遵循现实世界的环境条件和行为多模态。我们介绍了一种名为 Controllable Diffusion Trajectory (CDT) 的新型轨迹生成器，它将地图信息和社交交互融入到基于 Transformer 的条件去噪扩散模型中，以指导未来轨迹的预测。通过引入行为标记，如直行、向右转或向左转，确保轨迹呈现多模态，并且使用预测的终点作为替代行为标记，以促进准确轨迹的预测。在 Argoverse 2 基准测试中的大量实验表明，CDT 在复杂城市环境中生成多样且符合场景要求的轨迹。

Feb, 2024

基于估计先验的加速扩散模型用于不确定性下鲁棒运动预测

我们提出了一种基于扩散的、可加速的框架，能够高效地预测代理的未来轨迹，具有对噪声的高抗干扰性，并满足自动驾驶车辆所需的严格实时操作标准。

May, 2024

面向意图的去噪扩散模型的轨迹预测

使用散射模型生成多个合理的未来轨迹分布，通过解决时间消耗和意图不确定性的问题，能够提高推理速度并实现更少的扩散步骤。

Mar, 2024

分散式多智能体主动搜索和追踪：当目标超过智能体数量

多智能体多目标追踪问题中的去中心化、主动搜索和跟踪以及异步智能体通信的解决方案 DecSTER，在目标数量超过智能体数量的情况下，通过使用概率假设密度滤波器的顺序蒙特卡罗算法进行后验推断，并结合汤普森采样进行智能体的分散决策。通过比较不同的动作选择策略，在模拟中证明了 DecSTER 算法在面对不可靠智能体通信时的鲁棒性，并在不同目标数量和团队规模下优于信息贪婪基准的优化子模式分配 (OSPA) 指标。

Jan, 2024

约束感知扩散模型的轨迹优化

基于扩散模型的轨迹优化问题传统上使用神经网络生成高质量且多样化的解决方案，本文提出了一种新颖的考虑约束的扩散模型用于轨迹优化，引入了一种新颖的混合损失函数进行训练，能够最小化扩散样本与真实数据之间的约束违规问题，同时恢复原始数据分布，实验证明在桌面操纵和双车回避问题上，该模型在最小化约束违规和生成接近局部最优解的样本方面优于传统扩散模型。

Jun, 2024

DICE: 用于轨迹预测的多样化扩散模型与评分

在动态环境中，道路用户轨迹预测是一个具有挑战性但十分关键的任务，特别适用于自动驾驶等各种应用。本研究提出了一种新的框架，以计算高效的方式利用扩散模型来预测未来的轨迹。我们展示了该方法在常见的行人和自动驾驶基准数据集上取得了最先进的性能。

Oct, 2023

使用扩散学习的多智能体对抗训练

这份论文提出了一种针对图中的对抗性学习的广义对抗训练框架，该框架基于扩散学习用于多智能体系统。分析了这个框架在凸优化问题上的收敛性，并阐述了它对抗攻击的增强鲁棒性。

Mar, 2023

MotionDiffuser：可控的基于扩散的多智能体运动预测

本文提出了 MotionDiffuser 模型，其能够学习多个交通参与者之间联合分布的多模态表示，在实现高效计算精确样本概率的前提下，提出了一种压缩轨迹表示以提高模型性能，并结合约束抽样框架，以应用于强制束缚和创造定制化模拟场景等应用，最终在 Waymo 数据集上实现了最先进的多代理运动预测结果。

Jun, 2023

多智能体轨迹预测中的避碰绕行

CAD 是一种用于自动驾驶车辆中运动预测和避免碰撞的实时模拟方法。

Jun, 2023