交通中轨迹预测的快速无地图模型

Jul, 2023

交通中轨迹预测的快速无地图模型

A Fast and Map-Free Model for Trajectory Prediction in Traffics

Junhong Xiang, Jingmin Zhang, Zhixiong Nan

TL;DR该研究提出了一种高效的轨迹预测模型，不依赖于交通地图，通过在两个阶段中综合应用注意机制、LSTM、图卷积网络和时间变换器等技术，编码了单一代理的时空信息，并探索了多个代理之间的时空交互信息，实现了比现有无地图方法更高的性能，并超过了 Argoverse 数据集上大多数基于地图的最先进方法，同时也具有比基准方法更快的推理速度。

Abstract

To handle the two shortcomings of existing methods, (i)nearly all models rely on high-definition (HD) maps, yet the map information is not always available in real traffic scenes and HD map-building is expensive and time-consuming and (ii) existing models usually focus on improving prediction accuracy at the expense of reducing computing efficiency, yet the

trajectory prediction spatial-temporal information traffic maps attention mechanism inference speed

发现论文，激发创造

探索基于地图特征的高效注意力车辆运动预测

本文将使用基于 Efficient Attention 的模型，从 Argoverse 1.0 基准测试中的最小地图信息中提取过去的轨迹和地图特征，以实现关于自动驾驶的运动预测。

May, 2022

通过知识蒸馏提升无地图轨迹预测能力

本篇论文利用分层知识蒸馏框架，将基于高清地图的预测模型的知识迁移到不需要高清地图的预测模型中，提高了自主驾驶的轨迹预测准确性。

Jun, 2023

基于时空关注模型的情境感知行人轨迹预测

本文提出了一种基于时空图的长短期记忆神经网络，用于在拥挤环境中预测行人的轨迹，考虑与场景中的静态和动态元素的交互，结果表明，相比于其他方法，本方法在人类轨迹预测方面能够将平均位移误差（ADE）和最终位移误差（FDE）分别降低高达 55％和 61％。

Feb, 2019

基于异构图的轨迹预测：局部地图环境和社交互动

利用语义场景图、基于图像的地图特征以及锚路径生成，我们提出了一种改进的基于向量的轨迹预测方法，解决了交通参与者之间的复杂交互、地图背景和交通规则之间的挑战性问题，相较于基准模型 HoliGraph，我们的方法显示出明显的优势。

Nov, 2023

一种端到端的汽车轨迹预测框架

本文提出了一种新颖的端到端架构，该架构接受原始视频输入并输出未来车辆运动轨迹预测，以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置，然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模，从而达到了高精度的未来车辆轨迹预测，实验结果表明，该算法优于目前各种先进模型。

Apr, 2023

基于目标及地图自适应的轨迹预测

通过使用环境中富含地图的车道中心线来提高多模态、长期车辆轨迹预测方法的准确性，实现了汽车行驶的目标方向建模，生成一组已提议的车辆目标路径，并将其用作空间锚点，进而预测基于目标的轨迹和对目标的分类分布，在 6 秒的预测角度内，在内部驾驶数据集和公共 nuScenes 数据集上实验结果表明，该模型的性能优于先进的车辆轨迹预测方法。

Sep, 2020

MFTraj: 自主驾驶的无地图、行为驱动轨迹预测

这篇论文介绍了一种适用于自主驾驶的轨迹预测模型，重点是在动态交通场景中捕捉复杂的交互作用，而无需依赖高清地图。该模型被称为 MFTraj，利用历史轨迹数据结合新颖的基于动态几何图的行为感知模块。在其核心部分，一种自适应的结构感知交互图卷积网络捕捉道路用户的位置和行为特征，保留了空间 - 时间的复杂性。通过线性注意机制的增强，该模型实现了计算效率和降低参数开销。在 Argoverse、NGSIM、HighD 和 MoCAD 数据集上的评估证明了 MFTraj 的鲁棒性和适应性，在数据有限的场景下，甚至无需额外信息（如高清地图或矢量化地图），也能胜过许多基准模型。重要的是，即使在存在大量缺失数据的情况下，其性能与大多数现有的最先进模型相当。结果和方法表明，在自主驾驶轨迹预测方面取得了显著进步，为更安全、更高效的自主系统铺平了道路。

May, 2024

TrafficPredict: 面向异构交通行为的轨迹预测

提出了一种基于 LSTM 的实时交通预测算法 TrafficPredict，通过学习不同交通主体的移动模式和交互方式来提高交通路径预测的准确性，应用于自动驾驶交通领域，较之先前的算法具有更高的准确性。

Nov, 2018

基于时序图神经网络的交互感知个性化车辆轨迹预测

利用时间图神经网络，提出了一种考虑交互的个性化车辆轨迹预测方法，通过预训练和微调，将个性化的预测结果与通用预测结果进行对比，并证明了个性化模型在较长时间预测范围内的卓越性能。

Aug, 2023

自动驾驶中运动预测的高效基线

我们提出了一种基于 Argoverse 的有效基准线方法，旨在利用用于 Motion Prediction 的最新技术，包括注意力机制和 GNNs，来生成可行的多模态轨迹，以较少的操作和参数实现与其他 SOTA 方法相当的准确性。

Sep, 2023