Mar, 2024

MS-Net: 多场景运动预测的多路径稀疏模型

PDF
TL;DR提出了一种名为 MS-Net 的多场景网络，通过进化过程训练一种多路径稀疏模型，实现对不同场景下行人运动的预测，实验结果表明，MS-Net 在行人运动预测数据集（如 ETH 和 UCY）上优于现有的最先进方法，并在 INTERACTION 挑战中排名第二。
motion predictionautonomous drivingdeep learningmulti-scenes networkpedestrian motion prediction
发现论文，激发创造
  • MultiXNet: 多类别、多阶段、多模态运动预测

    通过使用激光雷达传感器数据，我们提出了一种名为 MultiXNet 的自动驾驶汽车感知和预测方法，可处理多种交通行为，包括多模态概率分布和轨迹精细矫正等，结果表明它优于现有的最先进方法。

    Jun, 2020

  • MSN: 轨迹预测的多样式网络

    提出了多样式网络（MSN），该网络利用风格建议和风格化预测两个子网络，以提供智能代理的多样式预测。此网络包含一系列具有独特和特定行为风格的风格通道，并通过这些通道来适应性地学习多种不同行为风格。该网络优于目前广泛使用的数据集，并在多样式特性上得到较好的性能表现。

    Jul, 2021

  • CASPNet++: 联合多智能体运动预测

    基于我们之前的工作，提出了一个改进的系统 CASPNet++，通过进一步增强交互建模和场景理解，使用时空网格模拟未来占用情况，提供多模态轨迹来支持场景中所有道路用户的联合预测，并通过在 CASPNet++ 上的广泛定量和定性分析证明了模型的可扩展性和在各种环境输入源上的高性能。

    Aug, 2023

  • 基于目标驱动的自注意力循环神经网络的轨迹预测

    研究人类运动轨迹预测，提出基于注意力机制的轻量级循环模型并结合基于场景感知的目标估计模块，应用于公共数据集，能够在保证预测准确性的前提下，减少模型复杂度。

    Apr, 2022

  • MultiNet：面向自动驾驶的多模态多任务学习

    本研究使用多模态多任务学习技术来学习自主驾驶中的多个行为模式。研究表明，该方法比单个模式训练的神经网络表现更好，而且参数数量更少。

    Sep, 2017

  • 一个多阶段目标驱动网络用于行人轨迹预测

    该论文提出了一种用于行人轨迹预测的新方法，称为多阶段目标驱动网络 (MGNet)。通过预测中间阶段目标来生成轨迹，以减小预测误差。MGNet 包括条件变分自编码器 (CVAE)、注意力模块和多阶段目标评估器等主要组件。我们通过对 JAAD 和 PIE 数据集进行全面实验，并与最先进的算法进行比较评估，证明了 MGNet 的有效性。

    Jun, 2024

  • MotionNet: 基于鸟瞰图的自动驾驶联合感知与运动预测

    本文提出了一种高效的深度学习模型 MotionNet，通过 LiDAR 扫描的数据实现自动驾驶中的感知和运动预测，该模型基于一种新颖的时空金字塔网络，可以提取深层次的时空特征，并且通过空间和时间一致性约束进一步规范了模型的训练。实验证明，该方法的性能明显优于现有的基于场景流和 3D 目标检测的方法，有望在自动驾驶中提供备用方案和对运动规划员提供补充信息。

    Mar, 2020

  • MCENET：用于混合交通中同质代理轨迹预测的多上下文编码器网络

    提出了一种名为 MCENET 的方法，通过编码过去和未来的场景情境、交互情境和运动信息来捕捉未来轨迹的模式和变化，以此解决在城市混合交通区域（即共享空间）中对异质性道路代理（行人、骑车人和车辆）进行微观级别的轨迹预测的挑战。

    Feb, 2020

  • MS-Net：用于异构 MRI 数据的改进前列腺分割的多站点网络

    本文提出了一种利用多源数据进行前列腺 MRI 图像分割的新方法，即利用多站点数据训练深度学习模型并通过领域特定的批归一化层提高图像分割性能。

    Feb, 2020

  • Scene-LSTM: 人类轨迹预测模型

    本研究采用场景信息 (Scene-LSTM) 和人类运动轨迹 (Pedestrian movement LSTM) 结合的方式在静态人群中预测人类运动轨迹，其中引入了两层网格结构，探索出现在该网格单元中的常见人类轨迹，在训练预测模型中考虑了共性。相比线性模型和基于已有 LSTM 的方法，本研究所提出方法的目标位置误差有显著降低，与社交交互方法比较则降低了约 80% 的误差。

    Aug, 2018