基于扩散的环境感知轨迹预测
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
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。
Feb, 2024
提出了一种基于 LSTM 的实时交通预测算法 TrafficPredict,通过学习不同交通主体的移动模式和交互方式来提高交通路径预测的准确性,应用于自动驾驶交通领域,较之先前的算法具有更高的准确性。
Nov, 2018
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
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
本文研究自动驾驶汽车预测未来路障轨迹的问题,提出了一种基于动态图注意力网络的方法,针对交通规则、社交互动、多类交通运动等方面的挑战,能够使用单一模型对多模态轨迹进行概率预测,并经过多个数据集的验证,证明该方法具有实际应用潜力且优于现有技术。
Mar, 2021
通过捕捉交互作用,这项研究提出了基于图的多模态轨迹预测模型,利用扩散图卷积网络有效预测未来车辆轨迹,并给出了相应概率,解决车辆交互和多模态行为的挑战。
Sep, 2023
我们提出了一种基于扩散的、可加速的框架,能够高效地预测代理的未来轨迹,具有对噪声的高抗干扰性,并满足自动驾驶车辆所需的严格实时操作标准。
May, 2024