我们提出了一种新颖的 Future Feedback Interaction Network (FFINet) 来预测交通环境中的未来合理运动轨迹,该模型结合了历史交互和未来交互信息进行特征聚合和预测,取得了 Argoverse 1 和 Argoverse 2 运动预测基准测试中最新的性能。
Nov, 2023
为了预测智能与健壮的复杂动态环境下未来的多个目标路径,该论文提出了基于概率的框架来学习表示语义多模态未来的潜在变量,其中利用动态基于注意力的状态编码器学习编码智能体之间的交互,可被用于车辆轨迹预测。
Nov, 2019
提出了一种语义感知互动运动预测方法(SIMF),该方法能够捕捉场景中的语义信息,优选相关代理以进行运动预测,并显示出优于现有技术的表现。
Jun, 2023
本文提出了一种用于自动驾驶中多智能体交互驾驶情景下预测未来场景级联联轨迹的方法,并称之为 FJMP。FJMP 将未来场景交互动力学建模为稀疏有向交互图,对联合预测任务进行分解并使用有向无环神经网络进行预测。实验表明 FJMP 在交互最多和动力学最有趣的代理上比非因式分解方法产生了更准确和一致的联合轨迹预测。
Nov, 2022
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
本研究提出了一种神经网络消息传递模型来模拟交通参与者之间的协作和交互,以及对行为建模的单个参与者。在两种设置下,模型都高效优于之前最先进的方法。
Mar, 2020
本文提出了一种基于深度神经网络的语义意图和运动预测(SIMP)方法,该方法使用语义定义的车辆行为来适应任何驾驶场景,结合分类意向和运动信息准确地预测自动驾驶车辆的行驶路径。
Apr, 2018
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
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。
该研究旨在提升基于实现值得信赖的人工智能设计需求的可靠性运动预测系统。其分析了当前评估基准的主要缺陷,提出了一个新的全面评估框架,并制定了用于模拟感知系统中的噪声的空间和时间鲁棒性评估方法。同时,提出了附加在多模态运动预测模型上的意图预测层,以提升输出的可解释性和生成更平衡的结果。最后,通过调查探讨了多模态轨迹和意图可视化中的不同元素来评估输出的可解释性。
Oct, 2022