自动驾驶的基于路径的轨迹预测
本论文介绍了一种基于条件变分自编码器的双向多模态轨迹预测方法 BiTraP,该方法采用目标条件化方法和双向编 / 解码器结构以提高长期轨迹预测准确性,其在第一人称视角和鸟瞰视角均表现良好,比最先进的轨迹预测方法提高了约 10-50%。研究还发现,CVAE 中的目标模型对预测的多模态轨迹分布产生直接影响,这为碰撞回避和导航系统等机器人应用的轨迹预测器设计提供了指导。
Jul, 2020
为了实现自动驾驶规划的社交合规和灵活性,我们提出了以规划为基础的轨迹预测(PiP)方法,通过利用自车的规划信息来指导预测过程,实现了在高速公路数据集上多智能体预测的最佳表现。此外,我们的方法通过将 PiP 与自车多个候选轨迹相结合,实现了预测和规划的新型流程,对于交互式场景中的自动驾驶非常有益。
Mar, 2020
该研究介绍了一种名为条件性行为预测的方法,该方法可以更有效地进行交互式场景中的规划。他们还开发了一种名为干预性行为预测的新方法,以更好地评估关于自主代理人对目标代理人行为影响的不确定性,并提出了一种基于 Shapley 值的指标来验证模型是否满足干预概率分布固有的时间独立性。
Apr, 2022
本文提出了一种行人轨迹预测的新方法,称为 BA-PTP,利用行人的行为特征,通过摄像头上获取的视觉观察进行预测。通过融合不同的输入流和注意机制,产生最终的嵌入表达,用于预测图像中的未来边界框。在两个行人行为预测数据集的实验中,论文展示了利用行为特征进行行人轨迹预测的好处,并通过消融实验研究了不同行为特征对预测性能的影响。
Oct, 2022
本文介绍了一种称为 MPF 的算法,它通过将遵循基于逻辑的规则的运动规划和基于学习的预测器相结合,在高度交互式交通场景中提高了学习基础预测器的性能。结果显示,在各种指标上,MPF 优于两个独立预测器,并提供最一致的性能。
Jul, 2023
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
本研究通过评估现有运动预测模型在冲突相关度量中的成功率发现现有模型预测成功率低且会在交互模拟器测试中导致大量碰撞,并提出了一种新的、简单有效的基于物理与学习的预测模型来实现冲突及关系的推断,并在 Waymo 交互驾驶数据集中的实际交互驾驶场景中表现出优异的性能。
Nov, 2022
本研究提出了基于动态贝叶斯网络的概率性交通预测模型,结合马尔科夫模型和上下文感知的车辆运动模型,可以更精准地预测未来的交通路径和解决交互问题。相较于基于物理学和地图的方法,该模型表现更加优越。
Apr, 2018
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