基于图的轨迹预测与合作信息

Oct, 2023

Graph-based Trajectory Prediction with Cooperative Information

Jan Strohbeck, Sebastian Maschke, Max Mertens, Michael Buchholz

TL;DR使用合作信息进行自动驾驶的轨迹预测，提出了一种基于图神经网络的体系结构，能够有效地提高网络性能并处理不准确的合作数据。

Abstract

For automated driving, predicting the future trajectories of other road users in complex traffic situations is a hard problem. Modern neural networks use the past trajectories of traffic participants as well as map data to gather hints about the possible driver intention and likely man

automated driving trajectory prediction neural network cooperative information graph-based architecture

发现论文，激发创造

使用图神经网络联合交互和轨迹预测自动驾驶

本文提出了一种基于图神经网络的方法，通过显式建模相互作用来预测交通场景中车辆的未来动向，并采用自动标注函数来生成交互标签，从而有效地降低了轨迹误差。

Dec, 2019

学习合作轨迹表示进行运动预测

自动驾驶中，运动预测是一项关键任务，充分利用基础设施和其他车辆提供的有效信息可以增强运动预测能力。本研究首次提出了合作轨迹表示学习范式，通过可解释的图形结构（V2X-Graph）充分利用合作运动和互动信息，有效提升合作运动预测的效果，并构建了实际车辆网络中的运动预测数据集（V2X-Traj），验证了本方法的优势。希望 V2X-Graph 和 V2X-Traj 能促进合作运动预测的进一步发展。

Nov, 2023

基于递进交互的自动驾驶轨迹预测学习

通过逐步交互网络和权重分配机制提高地图约束条件对代理的特征表示的学习，从而实现准确的行为预测，以优化自动驾驶性能。

Mar, 2024

自动驾驶车辆的多模态轨迹预测：基于语义地图与动态图注意力网络

本文研究自动驾驶汽车预测未来路障轨迹的问题，提出了一种基于动态图注意力网络的方法，针对交通规则、社交互动、多类交通运动等方面的挑战，能够使用单一模型对多模态轨迹进行概率预测，并经过多个数据集的验证，证明该方法具有实际应用潜力且优于现有技术。

Mar, 2021

可解释式目标导向车辆轨迹预测模型

自动驾驶中，理解车辆与周围环境的社交互动行为并预测其轨迹的能力对道路安全至关重要。为了克服神经网络方法在车辆轨迹预测中缺乏可解释性的问题，本文结合离散选择模型的可解释性与神经网络模型的高准确性，提出了一种能解释其预测结果而不降低准确度的模型，并通过使用 INTERACTION 数据集进行实现和评估，证明了该模型的有效性。

Aug, 2023

基于时序图神经网络的交互感知个性化车辆轨迹预测

利用时间图神经网络，提出了一种考虑交互的个性化车辆轨迹预测方法，通过预训练和微调，将个性化的预测结果与通用预测结果进行对比，并证明了个性化模型在较长时间预测范围内的卓越性能。

Aug, 2023

PredictionNet: 实时联合概率交通预测，用于规划、控制和模拟

本文提出了 PredictionNet，这是一种深度神经网络，用于预测周围交通代理的运动，参考了多层地图和强化学习，在真实交通和流程控制中表现出色。

Sep, 2021

基于注意力的社交图变换网络用于随机轨迹预测

提出了一种关注社交图转换网络的多模态轨迹预测方法，它结合了图卷积网络和 Transformer 网络，并通过生成稳定分辨率的伪图像来处理空时图，还设计了关注社交交互信息的模块。实验证明该模型在多个度量指标上最大限度地降低了位移误差，并显著减少碰撞的可能性，同时具备长时间预测的能力。

Dec, 2023

基于异构图的轨迹预测：局部地图环境和社交互动

利用语义场景图、基于图像的地图特征以及锚路径生成，我们提出了一种改进的基于向量的轨迹预测方法，解决了交通参与者之间的复杂交互、地图背景和交通规则之间的挑战性问题，相较于基准模型 HoliGraph，我们的方法显示出明显的优势。

Nov, 2023

TrafficPredict: 面向异构交通行为的轨迹预测

提出了一种基于 LSTM 的实时交通预测算法 TrafficPredict，通过学习不同交通主体的移动模式和交互方式来提高交通路径预测的准确性，应用于自动驾驶交通领域，较之先前的算法具有更高的准确性。

Nov, 2018