可解释的长期基于路标的轨迹预测模型
该研究提出了一种将样本不确定性分解为先验不确定性和随机不确定性的模型,其中使用了新颖的长期轨迹预测设置,提出了一种名为 Y-net 的场景符合轨迹预测网络。Y-net 在多个数据集上的表现明显优于之前的工作,并对长期预测表现出多样性轨迹预测。
Dec, 2020
通过使用环境中富含地图的车道中心线来提高多模态、长期车辆轨迹预测方法的准确性,实现了汽车行驶的目标方向建模,生成一组已提议的车辆目标路径,并将其用作空间锚点,进而预测基于目标的轨迹和对目标的分类分布,在 6 秒的预测角度内,在内部驾驶数据集和公共 nuScenes 数据集上实验结果表明,该模型的性能优于先进的车辆轨迹预测方法。
Sep, 2020
通过航点删除技术,本文引入了一种新的框架 Temporally Waypoint Dropping (TWD),在原有轨迹预测方法的基础上,有效地通过 TWD 来学习轨迹之间的时序关联,从而显著提高轨迹预测准确性,并通过大量实验证明了 TWD 的有效性与可行性。
Sep, 2023
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
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
本研究使用 CARLA 模拟器开发了一个合成数据集,并使用卷积神经网络创建了一种端到端的短期轨迹预测模型,使得自动驾驶汽车能够更好地应对复杂情境,如行人穿越马路,车辆超车等,同时免去了对环境的显式编码。
Jul, 2023
使用语言指导下的路径规划,研究机器人领域中的导航方式和交互问题。通过变换不同的机器学习模型,来探索不同的路径预测方法,并发现在 navigation metrics 上,更具表现力的模型能够帮助机器人找到更优秀、更简单、更快速的路径,而低层动作则能够通过近似最短路径来获取更好的路径规划结果。
Oct, 2021
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
为了在动态环境下保证安全驾驶,自动驾驶车辆应该具备准确预测周围车辆的变道意图并预测其未来轨迹的能力。本文通过提出了一种可解释的变道预测模型 LC-LLM,利用大型语言模型(LLM)的强大推理能力和自我解释能力来解决现有运动预测方法在长期预测精度和可解释性方面的不足。我们将变道预测任务重新定义为语言建模问题,将异构驾驶场景信息以自然语言形式作为 LLM 的输入,并采用监督微调技术,使 LLM 专门用于变道预测任务。这使得我们能够利用 LLM 强大的常识推理能力来理解复杂的交互信息,从而提高长期预测的准确性。此外,我们在推理阶段的提示中加入了解释要求。因此,我们的 LC-LLM 模型不仅可以预测变道意图和轨迹,还能提供预测解释,增强了可解释性。对大规模高维驱动数据集的广泛实验证明了我们的 LC-LLM 在变道预测任务中的卓越性能和可解释性。据我们所知,这是首次尝试利用 LLM 来预测变道行为。我们的研究表明,LLM 能够对驾驶行为进行综合交互信息编码。
Mar, 2024