人类轨迹预测认证
本研究分析了自主驾驶车辆轨迹预测的敌对鲁棒性并研究其是否仍可导致安全规划,提出一种新的敌对攻击方法来增加预测误差,并探讨了数据增强和轨迹平滑等可能的缓解技术。
Jan, 2022
本研究使用 CARLA 模拟器开发了一个合成数据集,并使用卷积神经网络创建了一种端到端的短期轨迹预测模型,使得自动驾驶汽车能够更好地应对复杂情境,如行人穿越马路,车辆超车等,同时免去了对环境的显式编码。
Jul, 2023
本文提出了一种优化型对抗攻击框架,旨在研究基于数据的轨迹预测系统的对抗鲁棒性。通过模拟实验,展示了该攻击框架可以有效地增加不同度量指标的预测误差,甚至可以导致自动驾驶汽车离开道路或与其他车辆碰撞。同时,本文还探讨并提出了一种对抗训练策略来减轻对抗攻击的影响。
Sep, 2022
这篇论文介绍了一种人类似的轨迹预测模型(HLTP 模型),它采用了灵感自人类认知过程的教师 - 学生知识蒸馏框架,这种方法可以在动态环境中动态适应变化的驾驶场景,提高准确预测的关键知觉线索的获取能力。该模型在 Macao Connected and Autonomous Driving (MoCAD) 数据集以及 NGSIM 和 HighD 基准测试中展示出优于现有模型的性能,特别是在数据不完整的具有挑战性的环境中。
Feb, 2024
本文介绍了一种在预测自动驾驶系统的轨迹时防御对抗性攻击的方法,该方法包括设计有效的对抗训练方法和添加特定领域的数据增强来减少在净数据上的性能损失。作者通过验证表明,相较于只使用纯净数据训练的模型,该方法在对抗数据上性能提高了 46%,并只降低了 3%的净数据性能。此外,相较于现有鲁棒方法,该方法在对抗样本上的性能提高了 21%,在干净数据上的性能提高了 9%。通过对规划器的评估,研究了我们的鲁棒模型对下游影响,证明该模型可以显著减少严重事故率(例如碰撞和越野驾驶)。
Jul, 2022
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
本篇论文提出了一种轨迹规划器,使用深度学习技术建立预测模型,通过集成网络结构来估计模型不确定性,并设计轨迹规划器以考虑出现的最坏情况,从而可以提高自动驾驶在现实世界中长尾数据分布情况下的安全性和可靠性。
Jul, 2022
本文综述了自动驾驶车辆 (AD) 的轨迹预测方法,重点讨论了基于机器学习的方法,包括深度学习和强化学习。该文还研究了常用的数据集和评估指标,并比较了两个主要的学习流程。通过确定现有文献中存在的挑战和潜在研究方向,本综述在 AD 轨迹预测方面做出了重要贡献。
Jul, 2023