从嘈杂的移动模态预测布局顺序
通过利用视觉定位技术,我们提出了一种新的方法来预测失去视线的轨迹,该方法能够在无监督的情况下去噪传感器观测,并将基于传感器的轨迹精确映射到视觉轨迹。该方法在失去视线的噪声传感器轨迹去噪和预测方面展示了最先进的性能,在 Vi-Fi 和 JRDB 数据集上取得了重要的成果。通过提高轨迹预测的准确性并解决失去视线物体的挑战,我们的工作显著有助于提高复杂环境下自动驾驶的安全性和可靠性。我们的工作代表着失去视线轨迹预测(OOSTraj)的第一个尝试,并为未来的研究设定了新的基准。代码可在 https://github.com/Hai-chao-Zhang/OOSTraj 找到。
Apr, 2024
本文提出了 VisionTraj,一种基于学习的模型,可以从道路网络摄像机记录的快照重建车辆轨迹,并通过引入神经网络和 GCN-based 软去噪模块以及轨迹信息提高建模效果。实验结果显示,VisionTraj 相较于其他模型有最大 11.5%的改进。
Dec, 2023
本文针对复杂道路场景的视频序列,提出了一个模型,通过利用摄像机运动、上下文线索和全局时序信息等多个方法,推断出一组准确、一致的路属性,实验结果表明,该模型在道路场景推断方面具有较高的性能表现。
Jul, 2020
通过引入 Large Language Models (LLMs),本研究探究了使用 LLMs 改进行人轨迹预测任务的可能性,通过诱导运动线索生成物体过去 / 观察到的轨迹中的运动线索,并利用混合高斯聚类未来轨迹中的运动线索。我们的方法采用基于 Transformer 的体系结构,包括运动编码器以建模运动模式和社交解码器以捕捉行人之间的社交互动,展示了我们的方法在流行的行人轨迹预测基准数据集 ETH-UCY 和 SDD 上的有效性,并进行了多个消融实验来验证我们的方法。
Mar, 2024
该研究提出了一种高效的轨迹预测模型,不依赖于交通地图,通过在两个阶段中综合应用注意机制、LSTM、图卷积网络和时间变换器等技术,编码了单一代理的时空信息,并探索了多个代理之间的时空交互信息,实现了比现有无地图方法更高的性能,并超过了 Argoverse 数据集上大多数基于地图的最先进方法,同时也具有比基准方法更快的推理速度。
Jul, 2023
本文提出了基于 LSTM 神经网络的相互作用感知运动预测模型,同时考虑了静态障碍物和周围行人,通过与现有方法的比较,证明了该模型在预测准确性和计算效率方面的优异性,并表明在有障碍物的环境中,考虑静态障碍物对运动预测的重要性。
Sep, 2017
本文通过利用神经网络的注意力机制和迭代逐步学习的方式,结合环境因素预测市区环境下行人位置的运动,成功构建了一个简单、高效的行人轨迹预测模型,并证明了该模型在不需要引入实体掩码、动态模型、社交池层或类似图形结构方面,也能够与 SoTA 模型相媲美地达到相似的性能水平。
Jun, 2022
本文提出了一种基于时空图的长短期记忆神经网络,用于在拥挤环境中预测行人的轨迹,考虑与场景中的静态和动态元素的交互,结果表明,相比于其他方法,本方法在人类轨迹预测方面能够将平均位移误差(ADE)和最终位移误差(FDE)分别降低高达 55%和 61%。
Feb, 2019
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
基于 LSTM 模型及人际交互、过往观测、周围空间语义等多重因素,预测人在城市场景中的运动方向的方法在测试中证明比传统 LSTM 模型准确,成为开发自动驾驶车辆与社交性机器人必不可少的一步。
Sep, 2019