一种新颖的深度神经网络在自动驾驶车辆轨迹预测中的应用：基于速度向量场

Sep, 2023

一种新颖的深度神经网络在自动驾驶车辆轨迹预测中的应用：基于速度向量场

A Novel Deep Neural Network for Trajectory Prediction in Automated Vehicles Using Velocity Vector Field

MReza Alipour Sormoli, Amir Samadi, Sajjad Mozaffari, Konstantinos Koufos, Mehrdad Dianati...

TL;DR综合数据驱动的学习法和从流体流动动力学概念中生成的速度矢量场，本文提出了一种新的轨迹预测技术，将矢量场作为卷积 - 递归深度神经网络的附加输入，帮助预测基于俯视图场景的未来轨迹。该方法在 HighD 数据集上与最先进的方法进行了比较，展示了在短期和长期（5 秒）时间范围内，速度矢量场的引入提高了预测准确性，并且准确性随着观测窗口的减小而保持一致，缓解了对准确轨迹预测所需的过去观测历史的要求。

Abstract

Anticipating the motion of other road users is crucial for automated driving systems (ADS), as it enables safe and informed downstream decision-making and motion planning. Unfortunately, contemporary learning-based approaches for motion prediction exhibit significant performance degrad

automated driving systems motion prediction trajectory prediction velocity vector field convolutional-recurrent deep neural network

发现论文，激发创造

NVFi：基于动态视频的三维物理学习的神经速度场

本文旨在从多视角视频中建模 3D 场景的动态。我们提出了一种新的方法，通过仅利用视频帧学习 3D 场景的几何、外观和物理速度，从而支持多种理想的应用，包括未来帧插值、无监督的 3D 语义场景分解和动态运动传递。

Dec, 2023

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

使用鸟瞰图表示和深度学习在高速公路上进行车辆轨迹预测

本文利用鸟瞰图和卷积神经网络预测高速公路场景中的车辆轨迹，使用 U-net 模型作为预测核心，发现使用高斯表示车辆的 U-net 模型是性能最好的配置，预测误差比基准方法降低了 50%。

Jul, 2022

深度运动学模型用于运动学合理车辆轨迹预测

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

利用高清地图和高效卷积神经网络预测易受伤路用户的运动

本文使用深度学习方法预测道路的弱势交通参与者，通过将高清地图和参与者所在位置栅格化为俯视图，运用卷积神经网络和逐步优化栅格化方式，达到高精度和实时性的预测效果。

Jun, 2019

从视频中推断混合神经流体场

我们提出了混合神经流体场（HyFluid）的神经方法，用于联合推断流体密度和速度场，以解决流体速度的视觉模糊性和湍流性所带来的挑战，并展示了该方法在恢复涡旋流细节方面的成功，为涉及三维不可压缩流体的各种学习和重建应用打开了可能性。

Dec, 2023

深度学习方法用于物体跟踪、速度估计和传感器数据随时间的投影

本研究提出了一种基于 Transformer 机制的新型循环神经网络单元，该单元能够利用序列传感器录音中的时空相关性，并跟踪对象编码，以获取场景动态和回归速度，并根据提取的速度估计将循环神经网络的内存状态进行投影，以解决空间和时间不对齐的问题。

Jun, 2023

使用深度卷积神经网络进行自动驾驶的多模态轨迹预测

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

自动驾驶中行人轨迹预测方法的评估

本研究评估步行者轨迹预测领域的最新技术，并与自动驾驶车辆中的常速模型（CVM）进行比较。使用 ETH/UCY 数据集进行评估，报告了平均位移误差（ADE）和最终位移误差（FDE）。根据真实世界应用的要求，对最初提出的模型的输入特征进行了修改，通过消融研究来研究观察到的运动历史对预测性能的影响，从而更好地理解其影响。此外，还测量了每个模型的推理时间，以评估在面对不同数量的代理时每个模型的可扩展性。结果表明，在生成单一轨迹时，简单模型仍然具有竞争力，某些被普遍认为有用的特征对不同架构的整体性能几乎没有影响。基于这些发现，提出了建议，以指导未来轨迹预测算法的发展。

Aug, 2023

VectorNet：从矢量化表示编码高清地图和代理动态

本文介绍了一种新型的层级图神经网络 VectorNet，用于解决在自动驾驶汽车的动态多智能体系统中的行为预测问题，并通过在高精度建模的地图和智能体轨迹上的操作，使得该方法在两个行为预测基准测试中均达到优秀的性能。

May, 2020