Sep, 2023

EANet: 在线轨迹预测的专家注意力网络

PDF
TL;DR基于 Hedge Propagation 算法的启发，我们提出了 Expert Attention Network，它是一种完整的在线学习框架，用于轨迹预测。我们引入了专家注意力机制，通过调整不同深度网络层的权重，避免了由于梯度问题导致模型更新缓慢，使其能够快速学习新场景的知识以恢复预测精度。此外，我们提出了一种对场景变化敏感的短期运动趋势核函数，使得模型能够快速响应。实验结果表明，传统方法存在梯度问题，而我们的方法可以快速减小预测误差并达到最先进的预测准确性。
trajectory predictionautonomous drivingonline learningexpert attention networkgradient problems
发现论文，激发创造
  • 一种端到端的汽车轨迹预测框架

    本文提出了一种新颖的端到端架构，该架构接受原始视频输入并输出未来车辆运动轨迹预测，以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置，然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模，从而达到了高精度的未来车辆轨迹预测，实验结果表明，该算法优于目前各种先进模型。

    Apr, 2023

  • 自动驾驶车辆的多模态轨迹预测：基于语义地图与动态图注意力网络

    本文研究自动驾驶汽车预测未来路障轨迹的问题，提出了一种基于动态图注意力网络的方法，针对交通规则、社交互动、多类交通运动等方面的挑战，能够使用单一模型对多模态轨迹进行概率预测，并经过多个数据集的验证，证明该方法具有实际应用潜力且优于现有技术。

    Mar, 2021

  • 基于注意力的社交图变换网络用于随机轨迹预测

    提出了一种关注社交图转换网络的多模态轨迹预测方法，它结合了图卷积网络和 Transformer 网络，并通过生成稳定分辨率的伪图像来处理空时图，还设计了关注社交交互信息的模块。实验证明该模型在多个度量指标上最大限度地降低了位移误差，并显著减少碰撞的可能性，同时具备长时间预测的能力。

    Dec, 2023

  • 利用具有空间感知的深度关注模型进行人类轨迹预测

    提出了一种端到端的基于深度学习的模型，该模型使用来自不同导航模式的数据直接学习人类的运动模式，包括一个软关注机制和一种新颖的方法来预测动态轨迹，同时还考虑了场景中的静态物体存在，通过在行人轨迹数据集上的测试结果显示，可以显著优于现有的最新技术水平，也可以自然地扩展到同时处理多个移动模式。

    May, 2017

  • HPNet：历史预测注意力下的动态轨迹预测

    本论文介绍了一种新颖动态轨迹预测方法 HPNet，它利用历史帧包括地图和代理状态以及历史预测来稳定且准确地预测未来轨迹。经过 Argoverse 和 INTERACTION 数据集的实验证明，HPNet 取得了最先进的性能，并生成准确且稳定的未来轨迹。

    Apr, 2024

  • AMEND: 长尾轨迹预测的专家混合框架

    通过使用专门的专家组合和路由器网络，本研究提出了一种模块化、无模型依赖的轨迹预测框架，不仅在常见情景下取得了最新的性能，而且在长尾场景下显著提高了预测准确性。

    Feb, 2024

  • 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

  • 基于知识感知的图形转换器用于行人轨迹预测

    该论文提出了一个图变换器结构来改进预测性能，捕捉数据集中不同场所和情景之间的差异，并设计了一种自注意机制和域适应模块来提高模型的泛化能力。此外，还引入了一种考虑跨数据集序列的额外指标用于训练和性能评估目的。使用 ETH 和 UCY 等流行的公共数据集验证和比较了所提出的框架，实验结果表明了我们提出的方案的改进性能。

    Jan, 2024

  • 构建一致可解释的运动预测模型：基于异构图注意力的方法

    自动驾驶中，准确解读其他道路用户的移动并利用这一信息预测未来轨迹至关重要。本文提出了一个新的优化模块，将预测的轨迹重新映射到实际地图上，纠正了编码过程中可能丢失的位置信息，从而实现更一致的预测。同时，我们还提出了一种新颖的场景编码器，以单一的异构图注意力网络来处理所有代理与环境之间的关系，并通过分析图中不同边的注意力值，可以深入了解神经网络的内部工作，实现更加可解释的预测。

    May, 2024

  • AMENet: 基于关注地图编码器网络的轨迹预测

    提出了一种名为 AMENet 的端到端生成模型，使用注意力机制动态地建模了邻居交互信息，实现了准确和逼真的轨迹多路径预测，并在 Trajnet 和 InD 两个公共轨迹预测数据集上进行了验证。

    Jun, 2020