基于运动学的轨迹生成与预测及隐变量随机微分建模

Sep, 2023

Kinematics-aware Trajectory Generation and Prediction with Latent Stochastic Differential Modeling

Ruochen Jiao, Yixuan Wang, Xiangguo Liu, Chao Huang, Qi Zhu

TL;DR整合动力学知识与神经随机微分方程，基于一种新颖的潜在动力学感知 (SDE) 变分自编码器（LK-SDE），用于生成车辆运动的方法，在生成和预测任务中表现出明显优于基准方法的性能，产生逼真、物理可行且精确可控的车辆轨迹。

Abstract

trajectory generation and trajectory prediction are two critical tasks for autonomous vehicles, which generate various trajectories during

发现论文，激发创造

本文提出了一种基于深度学习的自动驾驶技术中交通行为预测方法，有效地解决了现有方法中可能出现的运动规律异常及预测轨迹子优问题，表现优于现有技术。

Aug, 2019

基于混合密度网络（MDN）的轨迹预测框架结合驾驶异质性提供概率化和个性化预测，在广泛的车辆轨迹数据集上验证表明该模型相较于现有基准模型能够生成具有显著改进的概率未来轨迹，而驾驶行为特征向量作为额外输入则能提供更多信息以提高预测准确性。

Dec, 2023

基于连续和随机表示的神经随机微分方程，提出了一个解决多智能体轨迹预测中数据采集策略差异的方法，并通过 nuScenes、Argoverse、Lyft、INTERACTION 和 Waymo Open Motion Dataset (WOMD) 等基准数据集验证了方法的有效性和广泛适用性。

Dec, 2023

通过使用生成对抗网络模型和低维度近似语义空间，本文提出了一种新的逼真而多样化的车辆轨迹生成方法，可以从语义上控制轨迹的分布，具有最先进的预测性能和改进的安全性评估能力。

Nov, 2019

本研究针对自主车辆安全规划的需求，提出基于图神经网络的场景一致性运动预测模型，并取得在运动预测和交互理解方面的最新进展，证明其对实现更安全、更舒适的运动规划具有显著意义。

Jul, 2020

本文使用全可微分物理模型与深度学习相结合，提出了一种汽车非完整动力学建模方法，相比于普通神经网络模型，本方法有更好的广义泛化性能，使用其提取出的潜在特征，可以准确地描述车胎侧向力，同时，在两个自动驾驶任务中，基于该潜在特征的风险感知模型预测控制器能够在未知摩擦力下优于基准控制框架。

Jul, 2022

自动驾驶系统面临着交通行为不确定性高等问题，本文提出了基于深度卷积神经网络的多轨迹交通演算方法，能够精确地预测交通行为并评估它们的概率，此方法也已成功应用于自动驾驶车辆中。

Sep, 2018

利用层级潜在结构和车道级上下文向量，提升了变分自编码器在基于轨迹预测模型中的性能，生成复杂的多模态轨迹分布，并在预测准确度方面优于现有模型。

Jul, 2022

本文提出了一种使用神经随机微分方程学习控制动力学模型的框架和算法，能够构建模型预测控制算法以及模型基的增强学习领域中的仿真器，在模拟机器人系统中得到良好的应用。

Jun, 2023

研究了在自动驾驶中，配合基于图神经网络的支持物理运动模型的数据驱动方法的表现，结果表明，相比于动力学模型，更简单的低阶积分器模型更具优势，并且更高阶的数值求解器可以显著提高预测准确性。

Apr, 2023