Mar, 2024

自动驾驶的开创性 SE (2) 等变轨迹规划

PDF
TL;DR我们提出了一种轻量级的等变规划模型，它在生成所有车辆的多模态联合预测并选择一个模态作为自主计划时，结合了运动预测和轨迹规划。通过嵌入车辆位置并在潜在空间中沿着高级路线指导自主车辆，我们的方法提供了具有目标导向行为的等变规划，同时在保持等变性的同时不强制汽车始终沿着确切的路线行驶。我们在具有挑战性的 nuScenes 数据集上进行实验，结果表明，我们规划的轨迹在输入场景的旋转平移下稳定，验证了我们模型的等变性。尽管只使用了数据集的一小部分进行训练，但我们的方法在 3 秒内改善了 20.6％的 L2 距离，并超过了最先进的方法。
trajectory planningmotion predictionequivariant neural networksroute attractionautomated driving
发现论文，激发创造
  • E (2) 等变图规划导航

    学习机器人导航的关键和挑战性任务是通过欧几里得对称性进行二维导航的规划，以及开发一种等变消息传递网络来进行值迭代。同时，通过可学习的等变层将特征提升到所需空间以处理多相机输入，在固定和无结构环境中的五种任务评估的实验证实了训练效率、稳定性和泛化能力的显著优势。

    Sep, 2023

  • 自动驾驶运动预测的等变映射和代理几何

    在自动驾驶中，深度学习实现的动作预测是一个热门话题。这项研究引入了一种具备几何等变性和交互不变性的突破性移动预测模型 EqMotion，在自动驾驶中融合了代理等变的高清地图特征，实现了上下文感知的准确运动预测。这些技术的应用使得我们的模型在保持轻量设计和高效数据利用的同时，能够实现高准确度的预测。

    Oct, 2023

  • EqDrive: 自动驾驶旋转等变运动预测的高效多模态方法

    通过使用 EqMotion 等价粒子和人体预测模型以及多模态预测机制，我们的模型在较少参数（120 万）和显著减少的训练时间（少于 2 小时）的情况下实现了最先进的性能，实现了多智能体车辆运动预测任务。

    Oct, 2023

  • 使用等变连续卷积进行轨迹预测

    本文提出了一种新型模型 ECCO，利用流体动力学的认识来考虑真实世界轨迹中的内部对称性，该模型使用旋转等变连续卷积来嵌入系统的对称性，提高了轨迹预测的精度和物理一致性，具有更高的样本效率。

    Oct, 2020

  • 自动驾驶的概率多项式物体轨迹规划

    本研究提出了一种基于条件性模仿学习算法和概率框架的自动驾驶决策方法，可用于导航、行人和其他路上的车辆预测，使用车载传感器信息生成多个实现路径，实现良好的性能和计算效率。

    Mar, 2020

  • 一种端到端的汽车轨迹预测框架

    本文提出了一种新颖的端到端架构，该架构接受原始视频输入并输出未来车辆运动轨迹预测，以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置，然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模，从而达到了高精度的未来车辆轨迹预测，实验结果表明，该算法优于目前各种先进模型。

    Apr, 2023

  • 可行的车辆轨迹预测

    本文提出了一种新的自动驾驶车辆轨迹预测方法，名为 PTNet，其通过结合古典的纯追踪路径跟踪算法和现代基于图形的神经网络，能够在保证预测轨迹的物理现实性的同时，表现与其他最先进的方法相同，并且只需要原有方法所需数据的一半。

    Apr, 2021

  • 自主车辆的在线时空图轨迹规划器

    本文介绍了一种新颖的在线时空图轨迹规划器，用于生成安全且舒适的轨迹。通过构建时空图，并进一步传递给顺序网络，该规划器能够生成符合安全与舒适要求的状态。此外，还提出了一个简单的行为层用于确定轨迹规划器的动力学约束，并提出了一种新颖的潜力函数来训练网络。通过对比其效果与两种常用方法，测试了该规划器在三种不同的复杂驾驶任务下的性能，结果表明该规划器能够生成安全、可行性高的轨迹，并在前进方向上达到相似或更远的距离，提供了可比较的舒适性乘车体验。

    Apr, 2024

  • 自主车辆的交互式运动规划与联合优化

    MPC 与学习预测模型相结合的交互联合规划（IJP）在计算上可扩展的方式上提供了最佳结果。

    Oct, 2023

  • 城市路口不确定性感知驾驶员轨迹预测

    本文介绍了一种基于多传感器的变分神经网络方法，用于预测驾驶员车辆的未来轨迹分布。该方法能够处理不确定的情况，并且可以与物理学预测器相结合，提高整个系统的性能。经实验证明，我们的方法可将物理学模型的预测误差提高 25％，同时以 82％的准确度成功识别不确定情况。

    Jan, 2019