Feb, 2024

基于对偶求解的交互预测的可扩展多模态模型预测控制

PDF
TL;DR我们提出了一种用于复杂多模态交通场景中可扩展实时模型预测控制（MPC）的分层体系结构。该体系结构包括两个关键组件：1）RAID-Net，一种基于注意力机制的新型循环神经网络，使用拉格朗日对偶性在 MPC 预测范围内预测自动车辆与周围车辆之间的相关交互；2）一个简化的随机 MPC 问题，通过消除无关的避撞约束，提高计算效率。我们的方法在一个模拟的交通路口中演示了交互式周围车辆，展示了在解决运动规划问题时的 12 倍加速。可以在此链接中找到展示该体系结构在多个复杂交通场景中的视频。
发现论文，激发创造
  • 深度交互式动作预测与规划：通过动作预测模型进行游戏

    本研究提出一种多智能体策略网络和博弈论模型预测控制器相结合的方案，将自动驾驶车辆的预测和规划层紧密耦合，能够有效生成交互行为。

    Apr, 2022

  • 城市驾驶中可行的离散行为模式的联合预测和规划

    在自动驾驶中，已经取得了训练多模态轨迹预测模型的重大进展，然而，有效地将这些模型与下游规划器和基于模型的控制方法整合仍然是一个待解决的问题。我们提出了一种使用学习的锚点嵌入来预测多条轨迹的最新轨迹预测方法，并发现这些锚点嵌入可以对表示高级驾驶行为的离散且不同模式进行参数化。我们建议在这些离散潜在模式上进行完全反应式的闭环规划，从而可以在每一步追踪建模代理之间的因果交互。在一系列更动态的合并场景上验证了我们的方法，并发现我们的方法避免了常规规划器中普遍存在的 “冻结机器人问题”。在实际速度下评估时，在具有挑战性的密集交通场景中，我们的方法也优于 CARLA 上的先前最先进方法。

    Mar, 2024

  • 自动驾驶车辆的多模态轨迹预测：基于语义地图与动态图注意力网络

    本文研究自动驾驶汽车预测未来路障轨迹的问题，提出了一种基于动态图注意力网络的方法，针对交通规则、社交互动、多类交通运动等方面的挑战，能够使用单一模型对多模态轨迹进行概率预测，并经过多个数据集的验证，证明该方法具有实际应用潜力且优于现有技术。

    Mar, 2021

  • 面向人机交互的多模态概率模型规划

    该论文介绍了一种基于条件变分自编码器（CVAEs）的方法，用于在多模式（即多个高度不同的未来可能）的情况下制定人机交互策略，特别关注于交通道路中的车辆交织问题，并通过人 - 机器交互模拟表明了该方法的有效性。

    Oct, 2017

  • 基于 Transformer 的多模式神经网络用于自动驾驶的运动预测

    本文介绍了一种基于 Transformer 结构的神经预测框架来模拟车辆之间的社交关系和预测可能的轨迹，其中采用了多模态注意机制来解决运动预测的多模态问题，并在 Argoverse 运动预测数据集上得到了最佳预测精度。

    Sep, 2021

  • 多时间尺度控制和通信与深度强化学习 -- 第一部分：通信感知车辆控制

    一种基于深度强化学习的多时间尺度控制和通信的联合优化框架被提出，以车队控制（PC）为示例应用。为了改善 PC 在随机观察延迟下的性能，采用了细粒度嵌入式模拟 C-V2X 通信生成的延迟环境进行训练，并与基线 DRL 算法的性能进行比较。

    Nov, 2023

  • 自动驾驶车辆的多模态概率轨迹预测与车道关注

    本文提出一种基于实例感知的车道表示法和目标導向车道注意力模型，结合车道特征和车辆轨迹特征进行车辆位置预测，并在 NeurIPS 2019 的 Argoverse 运动预测竞赛中获得第三名，实验证明了模型的有效性。

    Jul, 2020

  • 基于机动 LSTM 的多模态环境车辆轨迹预测

    本文针对自动驾驶汽车在复杂交通情境下进行安全高效的行驶所需的需求，提出了使用 LSTM 模型来进行交互式的运动预测，并在 NGSIM US-101 和 I-80 数据集上与其他方法进行了比较和分析。

    May, 2018

  • 自主街道穿越的多模态交互感知运动预测

    提出了一种基于多模态卷积神经网络框架来预测街道交叉口安全性的算法，通过将交通灯识别和交通参与者轨迹估计融合起来进行决策，实现了在交通信号化和未信号化的街道交叉口的安全导航，并在公共基准数据集和提案数据集上实现了最先进的结果。

    Aug, 2018

  • 基于数据驱动的高度并行化最小干预共享控制 MPC

    本研究提出了一种基于数据驱动的联合人机系统的共享控制范式，旨在不限制用户的能力以实现未指定的行为，大幅提高系统安全性和用户满意度。

    Jun, 2019