Aug, 2023

自动驾驶中行人轨迹预测方法的评估

PDF
TL;DR本研究评估步行者轨迹预测领域的最新技术，并与自动驾驶车辆中的常速模型（CVM）进行比较。使用 ETH/UCY 数据集进行评估，报告了平均位移误差（ADE）和最终位移误差（FDE）。根据真实世界应用的要求，对最初提出的模型的输入特征进行了修改，通过消融研究来研究观察到的运动历史对预测性能的影响，从而更好地理解其影响。此外，还测量了每个模型的推理时间，以评估在面对不同数量的代理时每个模型的可扩展性。结果表明，在生成单一轨迹时，简单模型仍然具有竞争力，某些被普遍认为有用的特征对不同架构的整体性能几乎没有影响。基于这些发现，提出了建议，以指导未来轨迹预测算法的发展。
发现论文，激发创造
  • 基于轨迹和外观数据的行人预测模型在自动驾驶中的比较

    本文研究在城市环境中自主车辆的预测能力，提出了基于轨迹和外观数据的人行预测方法，并进行了比较评估和数据实验。

    May, 2023

  • 一种新的基准测试范式和基于尺度和动态感知的自身行为者行人轨迹预测模型

    本文提出了一种基于场景进行评估的新模式，以评估自主行驶系统中行人轨迹预测算法的挑战，并通过实证评估在多模态来源数据的融合和有效的分层方式下取得了显著的改进。

    Oct, 2023

  • 基于场景的自动驾驶预测模型评估

    本文研究了自动驾驶车辆的安全性评估中的预测模型。作者指出，常用的评估方法不足以准确地评估预测模型，应该采用场景评估方法进行评估。通过 Waymo 开放运动数据集的轨迹分类，作者评估了三种不同的预测模型。结果表明，应根据模型所用于的应用程序的要求进行评估。

    Oct, 2022

  • 行人 - 车辆混合环境中的行人轨迹预测：一项系统综述

    自主车辆与行人共享空间时，规划行驶路径需要考虑行人的未来轨迹。本文系统地回顾了文献中用于在存在车辆的情况下建模行人轨迹预测的不同方法，研究了与行人 - 车辆交互作用相关的特定考虑因素，并回顾了先前提出的预测模型中如何考虑预测不确定性和行为差异等不同变量。同时，文章也提供了包含行人和车辆轨迹数据的数据集概述，讨论了未来工作的研究空白和方向，如在深度学习方法中更有效地定义交互主体以及在无结构环境中收集更多混合交通数据集的需求。

    Aug, 2023

  • 恒速模型对行人运动预测的启示

    研究比较了使用神经网络完成行人运动预测的复杂模型和简单模型，发现简单的恒定速度模型性能表现更好，说明研究者需要重新考虑神经网络的输入处理方式以及神经网络学习的环境先验对泛化能力的消极影响，并且需要在未来研究方向中注重对神经运动预测进行综合评估。

    Mar, 2019

  • 用于自动驾驶的道路用户轨迹预测模型的鲁棒性基准测试

    本研究旨在评估几种常见基线以及两种环境感知模型在自动驾驶中进行准确且稳健的车道预测的表现，结果发现训练过程中加入与实际部署场景相似的扰动可以有效减少性能下降，但仍无法保证对未知的干扰具有鲁棒性，甚至有时降低输入噪声反而有助于提高预测准确性。

    Apr, 2023

  • SocialCVAE: 通过交互条件化潜变量预测行人轨迹

    本文提出了一种应用社交条件变分自动编码器（SocialCVAE）来预测行人轨迹的方法，该方法利用条件变分自动编码器（CVAE）来探索人类运动决策中的行为不确定性，通过使用基于能量的相互作用模型生成交互能量图，提高了行人轨迹预测的准确性。

    Feb, 2024

  • 用卷积神经网络预测行人轨迹

    本文提出了一种新的基于 2D 卷积模型的行人轨迹预测方法，采用了高效的数据表示和强大的数据增强技术，在 ETH 和 TrajNet 数据集上实现了最优结果。另外，对于以前用于建模社交信息的占据方法进行了实验性探究，并得出这些方法无法捕捉社交交互的经验结论。

    Oct, 2020

  • 深度运动学模型用于运动学合理车辆轨迹预测

    本文提出了一种基于深度学习的自动驾驶技术中交通行为预测方法，有效地解决了现有方法中可能出现的运动规律异常及预测轨迹子优问题，表现优于现有技术。

    Aug, 2019

  • 驾驶员安全：短期轨迹预测在自动驾驶车辆中的作用

    本研究使用 CARLA 模拟器开发了一个合成数据集，并使用卷积神经网络创建了一种端到端的短期轨迹预测模型，使得自动驾驶汽车能够更好地应对复杂情境，如行人穿越马路，车辆超车等，同时免去了对环境的显式编码。

    Jul, 2023