Apr, 2024

GRANP: 适用于车辆轨迹预测的图形递归注意力神经过程模型

PDF
TL;DRGRANP 是一种新颖的模型，用于车辆轨迹预测并高效地量化预测不确定性。它采用了利用深度生成模型来解决轨迹不确定性的方法，并在解决了效率问题的同时取得了最先进的结果。
autonomous drivingtrajectory predictiondeep generative modelsgraph recurrent attentive neural processprediction uncertainty
发现论文，激发创造
  • 基于时序图神经网络的交互感知个性化车辆轨迹预测

    利用时间图神经网络，提出了一种考虑交互的个性化车辆轨迹预测方法，通过预训练和微调，将个性化的预测结果与通用预测结果进行对比，并证明了个性化模型在较长时间预测范围内的卓越性能。

    Aug, 2023

  • 基于图循环注意力网络的高效图生成

    本文提出了一种名为 GRAN 的新型图形回归注意力网络的有效且表达性强的深度生成模型，能够生成高质量大规模图形，同时与之前的 RNN-based 生成模型相比，GRAN 使用了 GNN 和注意力机制更好地捕捉到已生成和待生成部分的条件之间的自回归关系，并在输出分布上采用伯努利分布的混合来捕捉区块内的生成边之间的相关性，同时在处理节点顺序方面也提出了一些新的解决方法。

    Oct, 2019

  • 全球感知增强的时空图循环网络：交通流预测的新框架

    该论文介绍了一种新颖的交通预测框架，它包括两个核心组件：空间 - 时间图递归神经网络和全局感知层。通过引入序列感知图神经网络，该模型可以学习不同时间步骤上的非固定图并捕捉局部时间关系。为了增强模型的全局认知，该框架还设计了三种独特的全局空间 - 时间转换器架构。在四个实际交通数据集上进行的广泛实验证明了我们框架和三种具体模型的优越性。

    Jan, 2024

  • GRIP++：增强的基于图的交互感知自动驾驶轨迹预测

    本研究描述了一种改进方案 GRIP ++，其使用静态和动态图形来预测不同类型的交通元素的轨迹；GRIP ++ 在街区交通数据集 ApolloScape 上完成了实验，取得了比最先进方案更好的预测精度，其运行速度比 CS-LSTM 方案快出 21.7 倍。

    Jul, 2019

  • 基于循环神经网络的占据栅格地图上的概率车辆轨迹预测

    本文提出了一种基于递归神经网络的高效车辆轨迹预测框架，从大量的轨迹数据中学习车辆的复杂行为模式，并使用长短时记忆递归神经网络分析车辆时间行为，预测未来坐标并产生对覆盖栅格地图上车辆未来位置的概率信息，实验结果表明该方法可以合理地估计未来轨迹。

    Apr, 2017

  • 具有融合时空图灵活多产生器模型的轨迹预测

    我们提出了一种轨迹预测框架，能够捕捉人行轨迹的社会交互变化和断开的流形，并通过灵活的生成器选择网络学习多个生成器之间的分布。该框架在不同的挑战性数据集上表现出与几个基线方法相比的最先进性能。

    Nov, 2023

  • 基于图的交互感知多模态 2D 车辆轨迹预测利用扩散图卷积网络

    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

  • 概率众包 GAN：使用图形车 - 行人注意网络进行多模态行人轨迹预测

    本文介绍了一种使用概率多模式预测方法和社交影响建模的新型 GAN，可有效预测人群行为和行人意图，以达到更好的自动驾驶和移动机器人导航效果。

    Jun, 2020

  • 融合 GRU：一种用于预测危险驾驶视频中交通参与者未来边界框的深度学习模型

    为了确保自动驾驶车辆和高级驾驶辅助系统能在复杂交通情景下安全高效地导航，预测周围交通参与方的未来边界框至关重要。本文介绍了一种新颖的编码 - 解码体系结构，即 Fusion-Gated Recurrent Unit（Fusion-GRU）网络，用于未来边界框定位。该方法考虑了面向自车视角的目标交通参与方未来位置和尺度的复杂相互作用，并引入了一个中介估计器和自注意力聚合层来学习长期预测的时序依赖关系。在 ROL 和 HEV-I 两个公开数据集上对该方法进行了评估，实验结果展示了 Fusion-GRU 的良好性能，证明了其在预测交通参与方未来边界框方面的有效性。

    Aug, 2023

  • 基于图的预测与规划策略网络（GP3Net）在动态环境中使用深度强化学习进行可扩展的自动驾驶

    在非固定驾驶环境中，提出了一种基于深度图预测和规划策略网络（GP3Net）框架，该框架通过编码交通参与者之间的相互作用以及提供 AV 的安全操纵决策来预测未来的动态路径，进而提高自动驾驶车辆的安全性能。

    Dec, 2023