Feb, 2024

基于扩散的运动行为预测的可控多样性采样

PDF
TL;DR自动驾驶任务中，在复杂交通环境中进行轨迹预测需要遵循现实世界的环境条件和行为多模态。我们介绍了一种名为 Controllable Diffusion Trajectory (CDT) 的新型轨迹生成器，它将地图信息和社交交互融入到基于 Transformer 的条件去噪扩散模型中，以指导未来轨迹的预测。通过引入行为标记，如直行、向右转或向左转，确保轨迹呈现多模态，并且使用预测的终点作为替代行为标记，以促进准确轨迹的预测。在 Argoverse 2 基准测试中的大量实验表明，CDT 在复杂城市环境中生成多样且符合场景要求的轨迹。
autonomous drivingtrajectory predictioncomplex traffic environmentsbehavior multimodalitiescontrollable diffusion trajectory
发现论文，激发创造
  • 基于扩散的环境感知轨迹预测

    基于扩散的生成模型用于多智能体轨迹预测，具有学习数据多样性、提高预测准确性和应对不确定交通状况的实用性。

    Mar, 2024

  • DICE: 用于轨迹预测的多样化扩散模型与评分

    在动态环境中，道路用户轨迹预测是一个具有挑战性但十分关键的任务，特别适用于自动驾驶等各种应用。本研究提出了一种新的框架，以计算高效的方式利用扩散模型来预测未来的轨迹。我们展示了该方法在常见的行人和自动驾驶基准数据集上取得了最先进的性能。

    Oct, 2023

  • 条件引导扩散控制交通仿真

    本文介绍了一种基于条件扩散模型的可控交通生成技术，利用扩散建模和可微分逻辑为实现交通规则生成提供了理论基础，并在 nuScenes 数据集上得到了验证。

    Oct, 2022

  • 通过多模态上下文理解实现多样和可接受的轨迹预测

    本文针对自动驾驶中的多智能体轨迹预测问题，提出了一种利用环境场景和多智能体间的互动信息，综合建模所有多样化和可接受轨迹的模型，该模型可显著提高先前最先进方法的性能。

    Mar, 2020

  • 面向意图的去噪扩散模型的轨迹预测

    使用散射模型生成多个合理的未来轨迹分布，通过解决时间消耗和意图不确定性的问题，能够提高推理速度并实现更少的扩散步骤。

    Mar, 2024

  • 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

  • WcDT: 世界中心扩散变压器用于交通场景生成

    我们介绍了一种新颖的自动驾驶轨迹生成方法，通过利用扩散概率模型（即扩散模型）和变形器的互补优势。我们提出的框架称为 “世界中心扩散变形器”（WcDT），它从特征提取到模型推断优化了整个轨迹生成过程。广泛的实验结果表明，该方法在生成逼真且多样化的轨迹方面表现出卓越性能，显示了它集成到自动驾驶模拟系统的潜力。

    Apr, 2024

  • 情景扩散：可控驾驶情景生成与扩散

    自动驾驶车辆的安全验证方面，合成交通场景的自动创建是关键部分。本文提出了一种新颖的基于扩散的场景生成架构 ——Scenario Diffusion，可实现可控的场景生成。我们结合了潜在扩散、目标检测和轨迹回归，同时生成合成代理人的姿势、方向和轨迹的分布。为了对生成的场景进行额外控制，此分布以描述所需场景的地图和令牌组为条件。我们证明我们的方法具有足够的表达能力，能够建模多样的交通模式，并且适用于不同的地理区域。

    Nov, 2023

  • ControTraj：带有拓扑约束的可控轨迹生成

    通过使用拓扑约束扩散模型的可控轨迹生成框架 ControlTraj，该研究提出了一种生成高度保真轨迹的方法，并整合了道路网络拓扑的结构约束，以指导地理结果。

    Apr, 2024

  • SceneDM：具有一致性扩散模型的场景级多智能体轨迹生成

    基于扩散模型的新框架 SceneDM 旨在生成场景中各类代理（车辆、自行车、行人等）的联合一致未来行动，并通过基于 Transformer 的网络处理代理之间的相互作用，设计了简单而有效的一致扩散方法以提高模型性能，并附加了场景级评分函数来评估生成代理行动的安全性和道路遵守性，帮助过滤出不切实际的模拟。该框架在 Waymo Sim Agents Benchmark 上取得了最先进的结果。

    Nov, 2023