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
本文提出了一种新的自动驾驶车辆轨迹预测方法,名为 PTNet,其通过结合古典的纯追踪路径跟踪算法和现代基于图形的神经网络,能够在保证预测轨迹的物理现实性的同时,表现与其他最先进的方法相同,并且只需要原有方法所需数据的一半。
Apr, 2021
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
本文提出了一种概率框架,能够在任何驾驶场景下联合预测多个交通参与者的连续运动,并能够预测每个交互的持续时间,以提高预测性能和效率。该框架包含两个层次模块:上层模块预测预测车辆的意图,下层模块预测与其交互的场景中其他实体的运动,为自主车辆的决策制定和运动规划提供支持。
Oct, 2018
本文介绍了一种基于模型规划的预测框架 PRIME,能够为自动驾驶提供准确和可行的多模态未来轨迹预测,并在大规模实验中取得了比现有技术更好的预测精度,可行性和鲁棒性。
Mar, 2021
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
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
本研究提出了基于动态贝叶斯网络的概率性交通预测模型,结合马尔科夫模型和上下文感知的车辆运动模型,可以更精准地预测未来的交通路径和解决交互问题。相较于基于物理学和地图的方法,该模型表现更加优越。
Apr, 2018
提出一种新颖的面向智能驾驶系统中的多模态运动预测的代理中心模型,并结合锚定地标、融合多样化提案的方法,实现了未来轨迹的精准预测,网络结构均相并且简明,可靠且高效。实验证明,该代理中心无论从预测精度还是从情境级别推断延迟方面均优于当前最先进的方法。
Mar, 2023