自动驾驶中运动预测的高效基线

Sep, 2023

Efficient Baselines for Motion Prediction in Autonomous Driving

Carlos Gómez-Huélamo, Marcos V. Conde, Rafael Barea, Manuel Ocaña, Luis M. Bergasa

TL;DR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。

Abstract

motion prediction (MP) of multiple surroundings agents is a crucial task in arbitrarily complex environments, from simple robots to Autonomous Driving Stacks (ADS). Current techniques tackle this problem using end-to-end pipelines, where the input data is usually a rendered top-view of

motion prediction autonomous driving stacks convnets lstms argoverse

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

MotionCNN 自动驾驶中运动预测的强大基准线

本文提出了一种基于卷积神经网络的简单而强大的多模态运动预测基准线，与最先进方法相比，具有竞争性的性能，并且在 2021 年 Waymo 开放数据集运动预测挑战赛上排名第三。

Jun, 2022

交通中轨迹预测的快速无地图模型

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。

Jul, 2023

探索注意力 GAN 用于车辆运动预测

本研究使用自注意力模块来计算社交和物理上下文情境，采样白噪声，探索了生成模型中注意力的影响，并在 Argoverse 运动预测基准 1.1 上取得了竞争力的单峰结果。

Sep, 2022

使用迭代式注意力块的受条件控制的人类轨迹预测

本文通过利用神经网络的注意力机制和迭代逐步学习的方式，结合环境因素预测市区环境下行人位置的运动，成功构建了一个简单、高效的行人轨迹预测模型，并证明了该模型在不需要引入实体掩码、动态模型、社交池层或类似图形结构方面，也能够与 SoTA 模型相媲美地达到相似的性能水平。

Jun, 2022

一种基于专家混合的三维人体动作预测方法

本研究通过复制现有的最先进（SOTA）时空转换器模型，以尽可能符合计算限制，并批判性评估现有模型架构的优势和改进机会，以解决实时推理速度挑战，并在空间 - 时间 (ST) 关注层中引入专家混合 (MoE) 块来提高模型容量和降低推理成本。

May, 2024

SIMPL：自动驾驶中一种简单高效的多智能体运动预测基线

该研究论文提出了一种针对自动驾驶车辆的简单高效动作预测基准（SIMPL），通过采用紧凑高效的全局特征融合模块和连续轨迹参数化方法，实现对所有相关交通参与者的实时准确运动预测，并在与其他最先进方法的 Argoverse 1 和 2 运动预测基准测试中表现出很高竞争力，同时具有轻量级设计和低推理延迟，适合在实际环境中部署。

Feb, 2024

ProphNet: 以锚点为基础的高效代理 - 中心运动预测

提出一种新颖的面向智能驾驶系统中的多模态运动预测的代理中心模型，并结合锚定地标、融合多样化提案的方法，实现了未来轨迹的精准预测，网络结构均相并且简明，可靠且高效。实验证明，该代理中心无论从预测精度还是从情境级别推断延迟方面均优于当前最先进的方法。

Mar, 2023

自动驾驶中交通参与者短期运动预测的不确定性感知

我们提出了一种基于深度学习的方法来预测自动驾驶车辆周围交通参与者的未来状态，并考虑和捕捉预测任务的固有不确定性，该方法包括当前世界状态和每个参与者的栅格图像作为输入，实验结果表明该方法具有显著优势，并在实际自动驾驶车辆上成功测试。

Aug, 2018

智能：多智能体联合递归轨迹预测

本文提出了一种解决多模态数据和场景下多主体交互的轨迹预测问题的方法，使用 convLSTM 结合 CVAE 进行多样性预测，通过多元化的数据集模拟，取得了比现有方法更好的效果

Jul, 2020