BAT:自动驾驶中基于行为的人类轨迹预测
提出了一种基于 HATN 的分层框架,通过模仿人类在驾驶中的认知模型和语义理解生成高质量、可转移和适应性 strong > 预测,在真实交通数据中展示了其在准确性、可转移性和适应性方面明显优于其他方法的优势,并强调将来应重点关注可转移性和适应性。
Feb, 2022
这篇论文介绍了一种人类似的轨迹预测模型(HLTP 模型),它采用了灵感自人类认知过程的教师 - 学生知识蒸馏框架,这种方法可以在动态环境中动态适应变化的驾驶场景,提高准确预测的关键知觉线索的获取能力。该模型在 Macao Connected and Autonomous Driving (MoCAD) 数据集以及 NGSIM 和 HighD 基准测试中展示出优于现有模型的性能,特别是在数据不完整的具有挑战性的环境中。
Feb, 2024
自主车辆在交通中需要与人类驾驶员互动来完成任务,因此装备自主车辆具备人工推理以更好地理解周围交通的意图,从而促进任务完成。本文提出了一种行为模型,将驾驶员的互动意图编码为潜在的社会心理参数,并设计了基于贝叶斯滤波器的递进视界优化控制器以考虑互动驾驶员意图的不确定性,同时采用基于注意机制的神经网络架构来模仿行为模型和在线估计参数先验,并提出决策树搜索算法在线解决决策问题。本文对所提出的行为模型进行了真实世界轨迹预测能力的评估,并在模拟环境和真实世界交通数据集中进行了强制公路合并场景的决策模块的广泛评估,结果表明我们的算法能够在各种交通条件下完成强制合并任务并确保驾驶安全。
Oct, 2023
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
这篇论文介绍了一种适用于自主驾驶的轨迹预测模型,重点是在动态交通场景中捕捉复杂的交互作用,而无需依赖高清地图。该模型被称为 MFTraj,利用历史轨迹数据结合新颖的基于动态几何图的行为感知模块。在其核心部分,一种自适应的结构感知交互图卷积网络捕捉道路用户的位置和行为特征,保留了空间 - 时间的复杂性。通过线性注意机制的增强,该模型实现了计算效率和降低参数开销。在 Argoverse、NGSIM、HighD 和 MoCAD 数据集上的评估证明了 MFTraj 的鲁棒性和适应性,在数据有限的场景下,甚至无需额外信息(如高清地图或矢量化地图),也能胜过许多基准模型。重要的是,即使在存在大量缺失数据的情况下,其性能与大多数现有的最先进模型相当。结果和方法表明,在自主驾驶轨迹预测方面取得了显著进步,为更安全、更高效的自主系统铺平了道路。
May, 2024
本文通过利用神经网络的注意力机制和迭代逐步学习的方式,结合环境因素预测市区环境下行人位置的运动,成功构建了一个简单、高效的行人轨迹预测模型,并证明了该模型在不需要引入实体掩码、动态模型、社交池层或类似图形结构方面,也能够与 SoTA 模型相媲美地达到相似的性能水平。
Jun, 2022
本文提出了一种行人轨迹预测的新方法,称为 BA-PTP,利用行人的行为特征,通过摄像头上获取的视觉观察进行预测。通过融合不同的输入流和注意机制,产生最终的嵌入表达,用于预测图像中的未来边界框。在两个行人行为预测数据集的实验中,论文展示了利用行为特征进行行人轨迹预测的好处,并通过消融实验研究了不同行为特征对预测性能的影响。
Oct, 2022
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