Oct, 2023

WayHome: 动态缩放下的长期运动预测

PDF
TL;DR自主车辆的一个关键挑战是准确预测周围环境中其他物体的运动，本研究开发了一种新颖的自主车辆运动预测方法，使用基于神经网络的模型为自主车辆附近的每个交通参与者预测多个热力图，并对比了不同编码器、解码器和损失函数，并引入了一种新的网格缩放技术，在 3 秒的预测区间内改进了现有方法的性能，并在更长的预测区间（最长为 8 秒）保持竞争力，评估使用的是 2022 年公开的 Waymo 运动挑战数据集。
发现论文，激发创造
  • 面向自动驾驶的大规模交互式运动预测：Waymo 开放运动数据集

    该研究介绍了当前最全面的交互式动作数据集，包含超过 100,000 个场景，用于发展动作规划模型与提供强大的基线模型来对单独或多个交互式对象进行预测，并提供了新的度量方法。

    Apr, 2021

  • 自主驾驶车辆的运动预测

    为了部署安全的自主驾驶汽车，需考虑静态几何上下文和动态社交交互，最近的深度学习方法已实现了距离预测指标的最新性能，但存在无法考虑 AV 意图运动计划的局限，因此提出了一种基于人 - 车道几何和人 - 人社交关系的图形加权循环递归方法，以支持注入抵消几何目标和社交情境，在规划循环中运用以推理有关 AV 意图路径的未观察原因或不太可能的未来。

    Aug, 2020

  • 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

  • 基于目标及地图自适应的轨迹预测

    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

  • 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

  • Wayformer：基于简单高效注意力网络的运动预测

    本文提出了一种基于注意力机制的动作预测体系结构，并探讨了不同融合方法的有效性。结果表明，相比于其他模态融合方法，早期融合的模态无关架构在 Waymo Open MotionDataset (WOMD) 和 Argoverse 排行榜中都有着最优秀的表现。

    Jul, 2022

  • 交通场景中人员的长期车载预测（不确定性下）

    提出了一种新的模型，该模型利用场景识别、长期预测和不确定性建模技术，可以精确地预测高度动态人群场景中的 1 秒内的自行车轨迹，结果表明该方法可以提高人群轨迹预测的准确性。

    Nov, 2017

  • 多模态联合车辆运动预测的多头注意力

    本文提出了一种新的基于多头注意力的车辆运动预测方法，它能够通过多模态概率密度函数的序列来对道路场景中的所有车辆进行联合预测，不需要机动定义，并且不使用空间网格来表示场景，这使得它比类似模型更加灵活，同时具有交互式联合预测、不确定性估计和多模态性的所有预测能力，结果表明该模型的预测准确率优于同一数据集上的现有模型

    Oct, 2019

  • 多元未来预测

    为了预测智能与健壮的复杂动态环境下未来的多个目标路径，该论文提出了基于概率的框架来学习表示语义多模态未来的潜在变量，其中利用动态基于注意力的状态编码器学习编码智能体之间的交互，可被用于车辆轨迹预测。

    Nov, 2019

  • 面向城市自主驾驶的动态占据栅格预测：一种基于深度学习的全自动标注方法

    本文提出了一种利用贝叶斯滤波技术的环境表示和深度卷积神经网络作为长期预测器相结合的方法，针对复杂的市区情景进行预测，通过像素平衡处理以及自动生成标签等方法实现了无监督学习用于多种道路用户的长期预测。

    May, 2017