Oct, 2023

DICE: 用于轨迹预测的多样化扩散模型与评分

PDF
TL;DR在动态环境中，道路用户轨迹预测是一个具有挑战性但十分关键的任务，特别适用于自动驾驶等各种应用。本研究提出了一种新的框架，以计算高效的方式利用扩散模型来预测未来的轨迹。我们展示了该方法在常见的行人和自动驾驶基准数据集上取得了最先进的性能。
发现论文，激发创造
  • 基于扩散的环境感知轨迹预测

    基于扩散的生成模型用于多智能体轨迹预测，具有学习数据多样性、提高预测准确性和应对不确定交通状况的实用性。

    Mar, 2024

  • 基于扩散的运动行为预测的可控多样性采样

    自动驾驶任务中，在复杂交通环境中进行轨迹预测需要遵循现实世界的环境条件和行为多模态。我们介绍了一种名为 Controllable Diffusion Trajectory (CDT) 的新型轨迹生成器，它将地图信息和社交交互融入到基于 Transformer 的条件去噪扩散模型中，以指导未来轨迹的预测。通过引入行为标记，如直行、向右转或向左转，确保轨迹呈现多模态，并且使用预测的终点作为替代行为标记，以促进准确轨迹的预测。在 Argoverse 2 基准测试中的大量实验表明，CDT 在复杂城市环境中生成多样且符合场景要求的轨迹。

    Feb, 2024

  • 面向意图的去噪扩散模型的轨迹预测

    使用散射模型生成多个合理的未来轨迹分布，通过解决时间消耗和意图不确定性的问题，能够提高推理速度并实现更少的扩散步骤。

    Mar, 2024

  • GPS 轨迹生成的扩散模型

    本文提出基于扩散模型的轨迹生成框架 Diff-Traj，并通过轨迹 UNet (Traj-UNet) 结构提取轨迹特征，使其能视为高质量的轨迹生成应用程序，并保留原始分布。

    Apr, 2023

  • 基于估计先验的加速扩散模型用于不确定性下鲁棒运动预测

    我们提出了一种基于扩散的、可加速的框架，能够高效地预测代理的未来轨迹，具有对噪声的高抗干扰性，并满足自动驾驶车辆所需的严格实时操作标准。

    May, 2024

  • 通过多模态上下文理解实现多样和可接受的轨迹预测

    本文针对自动驾驶中的多智能体轨迹预测问题，提出了一种利用环境场景和多智能体间的互动信息，综合建模所有多样化和可接受轨迹的模型，该模型可显著提高先前最先进方法的性能。

    Mar, 2020

  • 利用扩散计划实现灵活的行为合成

    本文通过扩展动力学模型，利用扩散概率模型去掉了传统轨迹优化方法的瓶颈，将采样和计划步骤近乎完全融合，通过分类器和图像插值获得了在线规划策略，并在长期决策和测试时间灵活性强的控制环境中成功应用了该框架。

    May, 2022

  • SceneDM：具有一致性扩散模型的场景级多智能体轨迹生成

    基于扩散模型的新框架 SceneDM 旨在生成场景中各类代理（车辆、自行车、行人等）的联合一致未来行动，并通过基于 Transformer 的网络处理代理之间的相互作用，设计了简单而有效的一致扩散方法以提高模型性能，并附加了场景级评分函数来评估生成代理行动的安全性和道路遵守性，帮助过滤出不切实际的模拟。该框架在 Waymo Sim Agents Benchmark 上取得了最先进的结果。

    Nov, 2023

  • 约束感知扩散模型的轨迹优化

    基于扩散模型的轨迹优化问题传统上使用神经网络生成高质量且多样化的解决方案，本文提出了一种新颖的考虑约束的扩散模型用于轨迹优化，引入了一种新颖的混合损失函数进行训练，能够最小化扩散样本与真实数据之间的约束违规问题，同时恢复原始数据分布，实验证明在桌面操纵和双车回避问题上，该模型在最小化约束违规和生成接近局部最优解的样本方面优于传统扩散模型。

    Jun, 2024

  • MotionDiffuser：可控的基于扩散的多智能体运动预测

    本文提出了 MotionDiffuser 模型，其能够学习多个交通参与者之间联合分布的多模态表示，在实现高效计算精确样本概率的前提下，提出了一种压缩轨迹表示以提高模型性能，并结合约束抽样框架，以应用于强制束缚和创造定制化模拟场景等应用，最终在 Waymo 数据集上实现了最先进的多代理运动预测结果。

    Jun, 2023