Aug, 2023

CASPNet++: 联合多智能体运动预测

PDF
TL;DR基于我们之前的工作，提出了一个改进的系统 CASPNet++，通过进一步增强交互建模和场景理解，使用时空网格模拟未来占用情况，提供多模态轨迹来支持场景中所有道路用户的联合预测，并通过在 CASPNet++ 上的广泛定量和定性分析证明了模型的可扩展性和在各种环境输入源上的高性能。
发现论文，激发创造
  • PredictionNet: 实时联合概率交通预测，用于规划、控制和模拟

    本文提出了 PredictionNet，这是一种深度神经网络，用于预测周围交通代理的运动，参考了多层地图和强化学习，在真实交通和流程控制中表现出色。

    Sep, 2021

  • MultiPath++: 用于行为预测的高效信息融合和轨迹聚合技术

    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

  • TPNet: 运动预测的轨迹提议网络

    提出了一个新型的两阶段运动预测框架 ——Trajectory Proposal Network (TPNet)，即先通过生成候选的运动轨迹假设，再根据满足物理限制情况下的分类和细化来进行最终预测，从而实现了安全和多模态的预测，通过这种方法有效地缓解了运动预测问题的复杂性，同时保证了多模态输出。

    Apr, 2020

  • MS-Net: 多场景运动预测的多路径稀疏模型

    提出了一种名为 MS-Net 的多场景网络，通过进化过程训练一种多路径稀疏模型，实现对不同场景下行人运动的预测，实验结果表明，MS-Net 在行人运动预测数据集（如 ETH 和 UCY）上优于现有的最先进方法，并在 INTERACTION 挑战中排名第二。

    Mar, 2024

  • 基于多头注意力和联合代理 - 地图表示的自动驾驶轨迹预测

    利用多头注意力机制生成多模态未来轨迹预测，以最佳地利用静态场景和环境的信息，实现自动驾驶车辆的精准导航，该模型在 nuScenes 预测基准测试中取得了最佳结果。

    May, 2020

  • 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

  • 神经运动信息传递的协作运动预测

    本研究提出了一种神经网络消息传递模型来模拟交通参与者之间的协作和交互，以及对行为建模的单个参与者。在两种设置下，模型都高效优于之前最先进的方法。

    Mar, 2020

  • MAP-Former：多智能体配对高斯联合预测

    通过预测交通代理对的协方差矩阵，提出了一种 “场景中心” 的运动预测新方法，为基于统计方法的风险评估奠定基础。

    Apr, 2024

  • 基于递进交互的自动驾驶轨迹预测学习

    通过逐步交互网络和权重分配机制提高地图约束条件对代理的特征表示的学习，从而实现准确的行为预测，以优化自动驾驶性能。

    Mar, 2024

  • 自动驾驶的混合预测集成规划

    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