自动驾驶运动预测的等变映射和代理几何
本文提出了 EqMotion,一种高效的等变运动预测模型,其中包括等变几何特征学习、不变交互推理和不变模式特征学习等模块,并在四个不同的场景下进行了实验,结果表明我们的方法在所有四个任务上都取得了最先进的预测性能,提高了 24.0/30.1/8.6/9.2%。
Mar, 2023
通过使用 EqMotion 等价粒子和人体预测模型以及多模态预测机制,我们的模型在较少参数(120 万)和显著减少的训练时间(少于 2 小时)的情况下实现了最先进的性能,实现了多智能体车辆运动预测任务。
Oct, 2023
我们提出了一种轻量级的等变规划模型,它在生成所有车辆的多模态联合预测并选择一个模态作为自主计划时,结合了运动预测和轨迹规划。通过嵌入车辆位置并在潜在空间中沿着高级路线指导自主车辆,我们的方法提供了具有目标导向行为的等变规划,同时在保持等变性的同时不强制汽车始终沿着确切的路线行驶。我们在具有挑战性的 nuScenes 数据集上进行实验,结果表明,我们规划的轨迹在输入场景的旋转平移下稳定,验证了我们模型的等变性。尽管只使用了数据集的一小部分进行训练,但我们的方法在 3 秒内改善了 20.6%的 L2 距离,并超过了最先进的方法。
Mar, 2024
学习机器人导航的关键和挑战性任务是通过欧几里得对称性进行二维导航的规划,以及开发一种等变消息传递网络来进行值迭代。同时,通过可学习的等变层将特征提升到所需空间以处理多相机输入,在固定和无结构环境中的五种任务评估的实验证实了训练效率、稳定性和泛化能力的显著优势。
Sep, 2023
本文提出了一种新型模型 ECCO,利用流体动力学的认识来考虑真实世界轨迹中的内部对称性,该模型使用旋转等变连续卷积来嵌入系统的对称性,提高了轨迹预测的精度和物理一致性,具有更高的样本效率。
Oct, 2020
使用 EquiDiff,一种基于条件扩散模型的深度生成模型,该模型能够通过结合历史信息和随机高斯噪声生成未来的车辆轨迹,并且通过应用循环神经网络和图注意力网络来提取历史轨迹中的社交互动。在对 NGSIM 数据集进行广泛实验证明,EquiDiff 在短期预测上优于其他基准模型,但在长期预测方面具有稍高的误差,并通过消融研究探究了 EquiDiff 的各个组成部分对预测准确性的贡献,并提供了扩散模型生成过程的可视化,以揭示预测的不确定性。
Aug, 2023
自动驾驶中,准确解读其他道路用户的移动并利用这一信息预测未来轨迹至关重要。本文提出了一个新的优化模块,将预测的轨迹重新映射到实际地图上,纠正了编码过程中可能丢失的位置信息,从而实现更一致的预测。同时,我们还提出了一种新颖的场景编码器,以单一的异构图注意力网络来处理所有代理与环境之间的关系,并通过分析图中不同边的注意力值,可以深入了解神经网络的内部工作,实现更加可解释的预测。
May, 2024
本研究提出了一种新的共同关注等变神经网络,它不仅能够保留输入的结构信息,而且能够注意到数据中同时出现的变换,并将其泛化到由多个对称组成的群上,实现更好的目标识别效果。
Nov, 2019
通过引入一种新颖的图网络架构,它对于保持相邻节点距离的所有坐标嵌入的任何变换都具有等变性,特别是在 $n$- 维中具有欧几里得和共形正交群等变性,从而使得所提出的模型相对于传统图形架构更加数据高效,并且本质上配备了更好的归纳偏差。我们表明,通过少量数据的学习,我们提出的架构可以完全推广到合成问题中的未见数据,而标准模型需要更多的训练数据才能达到可比较的性能。
Jun, 2021
本文提出了一种有效的多个自主行驶目标预测方法,该方法使用空间图形表示推理中各种几何关系,并节省在线计算通过离线计算得到的地图嵌入。
Nov, 2022