Feb, 2024

构建安全可靠的自动驾驶系统：动态占用预测

PDF
TL;DR该研究引入了一种新颖的动态占用集（DOS）预测方法，将先进的轨迹预测网络与 DOS 预测模块相结合，提供了一个全面且适应性强的框架，用于预测交通参与者的潜在占用集，进而增强了复杂环境中的车辆轨迹预测能力。
autonomous drivingtrajectory predictiondynamic occupancy setdos predictiontraffic participants
发现论文，激发创造
  • 面向城市自主驾驶的动态占据栅格预测：一种基于深度学习的全自动标注方法

    本文提出了一种利用贝叶斯滤波技术的环境表示和深度卷积神经网络作为长期预测器相结合的方法，针对复杂的市区情景进行预测，通过像素平衡处理以及自动生成标签等方法实现了无监督学习用于多种道路用户的长期预测。

    May, 2017

  • 基于时空学习的动态环境下未来占据栅格的预测

    我们提出了一种时空预测网络管道，它可以从环境和语义标签中获取过去的信息来生成未来的占用预测，并将其应用于复杂的 nuScenes 数据集中，相较于当前 SOTA，我们的方法可以预测长达 3 秒的占用情况，并不需要 HD-Maps 和明确模拟动态物体。

    May, 2022

  • 自主驾驶中基于视觉的三维占用预测：综述与展望

    自动驾驶领域的一项新兴感知任务是基于视觉的 3D 占用状态预测，该论文对其背景、挑战、研究进展和未来展望进行了综述，并提供了与该主题相关的论文、数据集和代码的收集。

    May, 2024

  • 利用先验信息和语义辅助占据栅格地图进行车辆运动预测

    通过将场景表示为动态占据栅格图（dynamic occupancy grid maps，DOGMs），将语义标签与占用的栅格单元关联并结合地图信息，我们提出了一个结合深度学习的时空和概率方法的新型框架来预测车辆行为，并通过与真实注释进行评估，在真实世界的 NuScenes 数据集上验证了我们的结果，表明我们的模型相对于传统的 OGM 预测方法，能够更准确地预测静态和动态车辆的行为，此外，我们进行了消融研究，并评估了语义标签和地图在架构中的作用。

    Aug, 2023

  • 自动驾驶中的感知与预测的隐性空间流场

    自动驾驶车辆的感知和未来预测需要用一个神经网络隐式地表示一定时间内的占用情况和流动性，以及通过使用有效的全局注意机制来克服先前显式占用预测方法的有限接受域的问题。

    Aug, 2023

  • 利用视频预测网络进行城市交通场景的异中心占据栅格预测

    通过使用固定框架中的全中心占据网格来代表交通状况，以提高对自主车辆动态环境的预测精度，相比于传统的自车中心占据网格方法，全中心占据网格方法能有效地改善场景的预测。

    Jan, 2023

  • 利用循环神经网络进行动态占用栅格地图构建

    本研究提出了一种使用循环神经网络进行动态占用栅格地图预测的方法，通过模拟车辆周围环境来得出静态和动态区域，并且使用了自我运动补偿的方法，从而实现了更为精确的速度估计和更可靠的环境分离。

    Nov, 2020

  • 交通场景中人员的长期车载预测（不确定性下）

    提出了一种新的模型，该模型利用场景识别、长期预测和不确定性建模技术，可以精确地预测高度动态人群场景中的 1 秒内的自行车轨迹，结果表明该方法可以提高人群轨迹预测的准确性。

    Nov, 2017

  • 单目图像道路用户检测、跟踪和预测的端到端框架

    自动驾驶中，多目标检测、跟踪和轨迹预测是关键任务，本文介绍了一种名为 ODTP 的端到端框架，采用了先进的在线多目标跟踪模型 QD-3DT 进行感知，并根据检测结果直接训练轨迹预测器 DCENet++，实验表明 ODTP 在轨迹预测方面取得了高性能，DCENet++ 相较于其他噪声检测结果训练的生成式和确定性轨迹预测模型更为准确和鲁棒。

    Aug, 2023

  • 自监督占据预测中的可区分光线投射

    本文提出使用几何占据图替代以视角为中心的预测模型作为自主驾驶场景中的内部表示，通过不同 iable raycasting 预测车辆周围环境的运动，有效减少与物体的碰撞

    Oct, 2022