Mar, 2024

MATRIX: 多智能体轨迹生成与多样化上下文

PDF
TL;DR通过研究多人或人机交互场景的轨迹级数据生成，我们提出了一种基于学习的自动轨迹生成模型 MATRIX，它能在多样化的真实背景中生成交互式的人类行为，并通过模拟规划为数据增强提供了实验验证。
data-driven methodshuman-robot interactiontrajectory-level data generationlearning-based automatic trajectory generationmatrix
发现论文，激发创造
  • 多智能体张量融合用于上下文轨迹预测

    自动驾驶中准确预测其他车辆 / 行人的运动轨迹非常重要，本文提出了一种基于多智能体张量融合网络的模型，可以模拟代理人之间的交互和约束以及环境场景等因素，从而实现对未来运动轨迹的精准预测，并在高速公路和行人数据集上表现出最先进的预测精度。

    Apr, 2019

  • Trajectron：具备动态时空图的概率多智体轨迹建模

    研究人员开发了一种基于图结构的 Trajectron 模型，利用递归序列建模和变分深度生成建模来预测多个代理的未来轨迹，通过多个数据集的结果表明其性能达到了最佳，并引入了一个新的指标用于比较输出分布的模型。

    Oct, 2018

  • 在 3D 室内场景中合成多样的人体动作

    提出了一种基于强化学习的方法来处理 3D 室内场景中虚拟人类与环境以及物体的交互，包括生成运动模型、创新的碰撞回避奖励函数、基于标记体和半径场的交互感知奖励函数以及训练策略等多个方面，实验结果表明，该方法在运动的自然性和多样性方面都优于现有的人 - 场景交互综合框架。

    May, 2023

  • 上下文感知轨迹预测

    本研究提出了一种基于上下文感知的循环神经网络 LSTM 模型，用于人类在拥挤空间中运动和行为的预测。实验结果表明，该方法相对于之前的最新预测模型能够更好的预测人类的轨迹。

    May, 2017

  • 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

  • Trajectron++：具动态可行性的混合数据轨迹预测

    Trajectron++ 是一个模块化的、图形结构的循环模型，它可以预测多个不同智能体的运动轨迹，同时考虑智能体的动态及不同的数据（例如，语义地图），它与机器人规划和控制框架紧密集成，能够在多个具有挑战性的真实轨迹预测数据集中表现出更好的性能。

    Jan, 2020

  • 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

  • 超越模仿：使用大型语言模型进行基于上下文的推理生成人类移动行为

    人类移动行为与交通拥堵和流行病控制等重要社会问题密切相关。然而，收集移动数据可能代价高昂且存在严重的隐私问题，迫切需要高质量的生成性移动模型。本文提出了一种基于常识推理的移动生成方法，设计了一种新颖的 MobiGeaR 框架，通过少样本上下文学习和分解协调机制来有效地捕捉驱动移动行为的一致意图，并在提升生成的语义感知性和降低训练样本大小的同时取得了最新性能。

    Feb, 2024

  • 多智能体自动驾驶的基于场景的课程生成

    自动化生成多样且复杂的训练场景对于许多复杂的学习任务至关重要，本论文介绍了 MAT-Gym，这是一个用于 CARLA 高保真驾驶模拟器的多智能体交通场景训练框架，通过使用部分场景描述来生成具有不同数量智能体的交通场景，并演示了如何将其与无监督环境设计技术相结合以自动化生成自适应的自动课程。

    Mar, 2024

  • TrajGen: 为自动驾驶生成现实和多样化的轨迹，并包含反应性和可行性的代理行为

    本论文提出了一个用于自动驾驶性能验证的仿真器 TrajGen，该仿真器基于自然驾驶数据进行强化学习，可以直接从人类演示中捕捉更真实的行为，并生成可靠而多样的行动轨迹来评估仿真场景中的性能表现。

    Mar, 2022