Feb, 2024

SIMPL：自动驾驶中一种简单高效的多智能体运动预测基线

PDF
TL;DR该研究论文提出了一种针对自动驾驶车辆的简单高效动作预测基准（SIMPL），通过采用紧凑高效的全局特征融合模块和连续轨迹参数化方法，实现对所有相关交通参与者的实时准确运动预测，并在与其他最先进方法的 Argoverse 1 和 2 运动预测基准测试中表现出很高竞争力，同时具有轻量级设计和低推理延迟，适合在实际环境中部署。
autonomous vehiclesmotion predictionreal-timetrajectory parameterizationstate-of-the-art methods
发现论文，激发创造
  • 自动驾驶中运动预测的高效基线

    我们提出了一种基于 Argoverse 的有效基准线方法，旨在利用用于 Motion Prediction 的最新技术，包括注意力机制和 GNNs，来生成可行的多模态轨迹，以较少的操作和参数实现与其他 SOTA 方法相当的准确性。

    Sep, 2023

  • 自动驾驶中语义感知交互式运动预测

    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

  • 车辆语义意图和运动的概率预测

    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

  • MotionCNN 自动驾驶中运动预测的强大基准线

    本文提出了一种基于卷积神经网络的简单而强大的多模态运动预测基准线，与最先进方法相比，具有竞争性的性能，并且在 2021 年 Waymo 开放数据集运动预测挑战赛上排名第三。

    Jun, 2022

  • 通过可解释的语义表示感知、预测并规划安全运动

    本论文提出了一种全新的端到端可学网络，它可以对自动驾驶车辆进行联合感知、预测和运动规划，并产生可解释的中间表示。它的运动规划成本与感知和预测估计一致，通过使用一种新的可微分语义占用表示法作为运动规划进程的成本实现。通过从人类示范中端到端学习，用大规模手动驾驶数据集和闭环模拟实验表明，所提出的模型在模仿人类行为和产生更安全的轨迹方面明显优于现有技术。

    Aug, 2020

  • SMART：通过下一个标记预测实现可扩展的多智能体实时模拟

    SMART 是一种新的自主驾驶运动生成范例，通过将矢量地图和代理轨迹数据建模为离散序列记号，并通过仅有解码器的 Transformer 架构处理这些记号，从而实现在实际驾驶场景中学习运动分布的性能。

    May, 2024

  • 回到 MLP：人体动作预测的简单基线

    本研究提出了一种轻量级的人体运动预测网络 “siMLPe”，结合了多层感知器、离散余弦变换、关节残差位移预测和速度辅助损失优化等简单方法，且具有仅有 0.14 万个参数和超过三个基准数据集的卓越表现，成为该领域的强基准。

    Jul, 2022

  • 智能：多智能体联合递归轨迹预测

    本文提出了一种解决多模态数据和场景下多主体交互的轨迹预测问题的方法，使用 convLSTM 结合 CVAE 进行多样性预测，通过多元化的数据集模拟，取得了比现有方法更好的效果

    Jul, 2020

  • 自适应世界模型的自动驾驶规划

    模型预测控制基于 BehaviorNet 的 AdaptiveDriver 在 nuPlan 闭环规划基准中取得了最先进的结果，将测试误差从 6.4％降低到 4.6％，即使应用于以前未见的城市。

    Jun, 2024

  • 探索基于地图特征的高效注意力车辆运动预测

    本文将使用基于 Efficient Attention 的模型，从 Argoverse 1.0 基准测试中的最小地图信息中提取过去的轨迹和地图特征，以实现关于自动驾驶的运动预测。

    May, 2022