Nov, 2023

通过自我监督的航迹噪声预测改进航迹预测

PDF
TL;DR通过引入噪声增强的观测轨迹视图和自我监督任务，提出了一种名为 SSWNP（自我监督的航点噪声预测）的新方法，该方法能改善轨迹预测模型的性能并提供更合理且多样的表示。实验证据表明，我们的方法在嘈杂环境中相对于基准方法显著提升了性能，可与现有的轨迹预测方法相辅相成。
trajectory predictionsswnpdata manifoldnoise-augmented viewsself-supervised task
发现论文，激发创造
  • 在动态多智能体环境中通过丢弃航点来改进轨迹预测

    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

  • 通过自监督将多步和单步轨迹预测之间的差距缩小

    提出了多分支自监督预测器，通过以上下文和树状方式结合多模态轨迹的预测，解决了自动驾驶中准确预测车辆轨迹的问题；通过探索确定性预测器的不确定性评估方法，发现预测误差与所提出的两个指标存在正相关性，为确定预测置信度开辟了道路。

    Jun, 2023

  • TPNet: 运动预测的轨迹提议网络

    提出了一个新型的两阶段运动预测框架 ——Trajectory Proposal Network (TPNet)，即先通过生成候选的运动轨迹假设，再根据满足物理限制情况下的分类和细化来进行最终预测，从而实现了安全和多模态的预测，通过这种方法有效地缓解了运动预测问题的复杂性，同时保证了多模态输出。

    Apr, 2020

  • 人类轨迹预测认证

    基于认证方法的轨迹预测模型提供了对于自主驾驶车辆中的鲁棒性问题、对抗性攻击和嘈杂观测的有效解决方案。

    Mar, 2024

  • VisionTraj：基于大规模摄像机网络的抗噪轨迹恢复框架

    本文提出了 VisionTraj，一种基于学习的模型，可以从道路网络摄像机记录的快照重建车辆轨迹，并通过引入神经网络和 GCN-based 软去噪模块以及轨迹信息提高建模效果。实验结果显示，VisionTraj 相较于其他模型有最大 11.5％的改进。

    Dec, 2023

  • 使用多项式轨迹参数化的时间连续概率预测

    本文提出一种基于多项式轨迹参数化的时态连续概率轨迹预测表述，并在两个大型自动驾驶数据集上评估了该提出表述。结果表明，该方法预测车辆、自行车和行人未来运动的效果优于其他表述方式。

    Nov, 2020

  • 从目标、路径点和路径到长期人类轨迹预测

    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

  • 安全自主驾驶的自我感知轨迹预测

    本文提出了一种自我感知的轨迹预测方法，结合两阶段训练过程来评估在线轨迹预测模块的性能，为实现安全可靠的自主驾驶创造了条件。

    May, 2023

  • 无监督采样促进基于随机人类轨迹的预测

    本论文提出了一种名为 BOsampler 的新方法，通过贝叶斯优化的方法，在长尾效应区域探索潜在路径的过程中，提高了随机预测的采样效率，该方法不需要重新训练，可与现有的随机预测模型集成，实验结果表明该方法的有效性。

    Apr, 2023

  • 驾驶员安全：短期轨迹预测在自动驾驶车辆中的作用

    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