Aug, 2023

行人 - 车辆混合环境中的行人轨迹预测：一项系统综述

PDF
TL;DR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。
autonomous vehiclepedestrian trajectory predictionpedestrian-vehicle interactionprediction modelsunstructured environments
发现论文，激发创造
  • 机器学习用于自主驾驶车辆轨迹预测：综述、挑战与未来研究方向

    本文综述了自动驾驶车辆 (AD) 的轨迹预测方法，重点讨论了基于机器学习的方法，包括深度学习和强化学习。该文还研究了常用的数据集和评估指标，并比较了两个主要的学习流程。通过确定现有文献中存在的挑战和潜在研究方向，本综述在 AD 轨迹预测方面做出了重要贡献。

    Jul, 2023

  • Euro-PVI: 城市密集区域的行人 - 车辆相互作用

    Euro-PVI 数据集更好地模拟了密集城市场景中的行人和自行车与车辆的交互，我们提出 Joint-$eta$-cVAE 方法通过学习多模态共享潜在空间，更好地模拟了未来轨迹的分布，实现了在 nuScenes 和 Euro-PVI 数据集上的接近最优的结果。

    Jun, 2021

  • 与行人交互的自主车辆：理论与实践综述

    研究了自动驾驶汽车在城市环境中行驶面临的主要挑战以及解决方案，包括与行人的交互问题，通过调查研究现有的行人行为研究，提出解决方案包括与行人通信的设计方法和针对理解行人意图的视觉感知和推理算法，同时讨论了未来的研究方向。

    May, 2018

  • 学习行人动作以确保安全自动驾驶

    研究 AV 预测行人短期和即时行为的不足，提出了一种基于 TF-ed 架构的新型多任务序列到序列解码器，用于只使用自车摄像机观测作为输入的行人动作和轨迹预测。在公开可用的 JAAD 数据集、CARLA 仿真数据以及校园实时无人驾驶班车数据上评估该方法，结果显示该方法在 JAAD 测试数据上的行为预测任务准确率为 81％，优于 LSTM-ed 7.4％，然而 LSTM 的姊妹机在长度为 25 帧的预测序列任务中表现更好。

    May, 2023

  • 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

  • 行人意图预测的局部和全局情境特征融合

    该研究使用计算机视觉和多模态特征识别，以实现自主车辆与行人之间的安全互动，并在 JAAD 数据集上展示了比现有技术更优秀的预测结果。

    May, 2023

  • 使用深度神经网络进行行人预测的规划

    本文介绍了一种基于自主行车的防撞技术，包括预测行人通过模拟其自身运动规划、推断可能的目的地、规划阶段和行为模式预测的神经网络。实验结果表明，系统能够准确地预测目的地和轨迹。

    Jun, 2017

  • 自动驾驶中行人轨迹预测方法的评估

    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。

    Aug, 2023

  • 一种概率性通用交通场景预测框架

    本文提出了一种概率框架，能够在任何驾驶场景下联合预测多个交通参与者的连续运动，并能够预测每个交互的持续时间，以提高预测性能和效率。该框架包含两个层次模块：上层模块预测预测车辆的意图，下层模块预测与其交互的场景中其他实体的运动，为自主车辆的决策制定和运动规划提供支持。

    Oct, 2018

  • 行人动作预测的多模态混合架构

    本研究提出了一种新颖的多模态预测算法，采用混合学习架构来分析环境的视觉特征和场景动态，预测行人的未来横穿行为，并在现有 2D 行人行为基准和新的 3D 驾驶数据集上进行评估，取得了最先进的表现。

    Nov, 2020