SingularTrajectory: 利用扩散模型的通用轨迹预测器
使用可学习的图像提示将预训练的人体轨迹预测器的输入增强,从而使预测器能够从极少量的新数据中推断出部署场景的趋势,从而解决特定场景下的人体轨迹预测问题。
Dec, 2023
本研究提出了一种基于马尔科夫链和 Transformer 的运动不确定性扩散逆向建模框架,通过逐步放弃不可行走区域的不确定性直至到达期望轨迹,用于解决行人轨迹预测中的多模态问题,并取得了在 Stanford Drone 和 ETH/UCY 数据集上的优异表现。
Mar, 2022
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
基于记忆的 Motion Pattern Priors Memory Network 方法通过构建从训练集轨迹中观察到的运动模式的聚类先验知识构成的记忆库,并引入地址机制来检索匹配的模式和每个预测的潜在目标分布,从而使得在真实世界场景中的不确定性下,准确地预测人类行为轨迹成为可能。
Jan, 2024
该论文提出了一种基于扩散的随机人体运动预测框架 DiffMotion,旨在预测未来的姿势序列,并通过使用多阶段图卷积网络和方差调度器,使预测结果准确、逼真、一致,同时在准确度和保真度方面明显优于先前的方法,并通过基准数据集展现了强大的鲁棒性。
May, 2023
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
在这篇论文中,我们提出了统一的时空扩散模型(USTD),以条件信息和共享的时空模式为基础,统一地处理学习任务。USTD 综合设计了共享的时空编码器和基于注意力的去噪网络,有效捕捉条件时空模式并生成预测。与确定性编码器和概率扩散模型的优点相结合,USTD 在预测和 Kriging 的下游任务中取得了最先进的性能,并提供了宝贵的不确定性估计。
Oct, 2023
通过引入嵌入于 Transformer 编码器中的 Ghost Spatial Masking 模块进行空间特征提取,将 State Space Models (SSMs) 扩展为双向时间 Mamba 以捕捉时间依赖性,以及结合双向时间比例变换 (Bidirectional Temporal Scaled) 模块来全面扫描轨迹,本研究通过多功能生成框架首次解决了这个统一问题,增进了我们对多智能体运动的理解。
May, 2024
该研究提出了一种名为 EigenTrajectory 的轨迹预测方法,通过降低轨迹描述符的复杂性,并在新的 ET 空间中表示行人的移动,结合社交互动和众多实验,证明了该方法在轨迹预测中显著提高准确性和可靠性。
Jul, 2023