Jan, 2024

SSL - 交互：交互轨迹预测的前置任务

PDF
TL;DR本文研究了在多智能体环境中的动作预测问题，提出了一种名为 SSL-Interactions 的方法，通过预先任务增强了交互建模以进行轨迹预测。该方法引入了四种考虑智能体交互的预先任务，并通过构建交互密集场景的数据集来提高交互模型的学习性能。实证评估结果表明，SSL-Interactions 在定量上比现有的动作预测方法有着高达 8% 的改进，并在交互密集场景中在质量上表现出色。
motion forecastingmulti-agent environmentsinteraction modelingpretext tasksinteraction-centric
发现论文，激发创造
  • 利用代理选择和物理方法增强交互模型用于轨迹预测

    通过考虑车辆当前和未来轨道的 ASPIlin 方法，改进了车辆轨迹预测方法以提高准确性和效率。

    May, 2024

  • 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

  • 从因子化边缘轨迹预测到交互式预测的 M2I 模型

    利用交互作用代理之间的关系，将联合预测问题分解为边际预测问题，继而通过使用边际预测模型和条件预测模型，预测行人的轨迹，并根据它们的联合可能性进行组合和选择。

    Feb, 2022

  • 自主学习的骨架动作表示学习：基准及更多

    本文首次对基于骨架的自监督动作表征学习进行了全面调查和综述，将现有研究根据预训练方法学科进行分类，提出了一种综合多个先验任务的新型骨架自监督学习方法，大大提高了骨架模型在各种下游任务中的泛化性能。在三个大规模数据集上进行的广泛实验证明，该方法在识别、检索、检测和少样本学习等各种下游任务中都取得了卓越的泛化性能。

    Jun, 2024

  • 利用未来关系推理进行车辆轨迹预测

    提出了一种使用车道信息预测多个代理之间的随机未来关系的新方法，该方法使用概率分布对交互模式进行建模，从而在长期预测基准测试中达到了最先进的性能。

    May, 2023

  • 自动化自监督图学习

    Graph self-supervised learning can be improved by leveraging multiple pretext tasks through the AutoSSL framework, which uses homophily as guidance and significantly boosts the performance on downstream tasks.

    Jun, 2021

  • 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

  • 通过 "团队游戏" 重新思考轨迹预测

    该论文提出了一个新的多智能体轨迹预测模型，它通过交互式分层潜空间明确引入组内共识的概念，可以更好地捕捉群体层面和个体层面的互动，从而在两个多智能体场景中均实现了优异的性能表现。

    Oct, 2022

  • 自监督学习在自动驾驶的运动预测中的应用

    本研究首次系统地探索和评估了将自我监督学习纳入动态预测的潜力，并建议使用四个自我监督学习任务进行动态预测，其中辅助自我监督任务不仅可以提高预测准确性，而且具有低推理时间和建筑复杂性。

    Jun, 2022