野外图形：野生动物的现实图形轨迹生成

Apr, 2024

野外图形：野生动物的现实图形轨迹生成

WildGraph: Realistic Graph-based Trajectory Generation for Wildlife

Ali Al-Lawati, Elsayed Eshra, Prasenjit Mitra

TL;DR研究了利用一小组真实样本生成类似野生动物迁徙的长期轨迹的问题，提出了一种分层方法来学习真实数据集的全局运动特征并递归改进本地化区域，通过使用 H3 区域的原型网络和经验变分自编码器基于占用概率，我们的解决方案 WildGraph 成功地生成了具有现实感的长达数月的轨迹。在两个野生动物迁徙数据集上进行的实验表明，与现有工作相比，我们提出的方法在生成轨迹的泛化能力上取得了改进，同时在几项基准指标上实现了更高或相当的性能。

Abstract

trajectory generation is an important task in movement studies; it circumvents the privacy, ethical, and technical challenges of collecting real trajectories from the target population. In particular, real trajectories in the wildlife domain are scarce as a result of ethical and enviro

trajectory generation wildlife migration long-horizon trajectories wildgraph recurrent variational auto-encoder

发现论文，激发创造

WildGEN: 野生动物的长期轨迹生成

使用基于变分自编码器的方法，通过少量真实样本生成具有长时间段内的野生鹅运动特征的轨迹，利用平滑滤波器对生成的轨迹进行后处理以减少过度徘徊，并通过可视化检查和计算生成轨迹与真实轨迹之间的豪斯多夫距离以及生成轨迹和真实轨迹的相似聚类的皮尔逊相关系数来评估生成轨迹的真实性。

Dec, 2023

基于双阶段 GAN 的连续轨迹生成

本文提出了一种名为 TS-TrajGen 的新颖的两级生成对抗框架，它有效地将人类移动性问题的先前领域知识与无模型学习范例相结合，用于生成道路网络上的连续轨迹，并通过两个真实世界数据集和两个案例研究验证了该方法的有效性。

Jan, 2023

ControTraj：带有拓扑约束的可控轨迹生成

通过使用拓扑约束扩散模型的可控轨迹生成框架 ControlTraj，该研究提出了一种生成高度保真轨迹的方法，并整合了道路网络拓扑的结构约束，以指导地理结果。

Apr, 2024

野外视觉导航中的快速遍历估计

本文提出了一种基于视觉的在线自监督学习系统 - Wild Visual Navigation（WVN），用于遍历可行性估计，并且可以在户外环境中适应地学习，可以在 5 分钟以内训练机器人，使其能够穿越复杂的户外地形，并克服高草障碍。

May, 2023

野外视觉导航：利用预训练模型和在线自监督实现快速遍历能力学习

本研究介绍了一种自适应自主学习系统，用于视觉可穿越性估计并通过机器人导航复杂的户外环境，实现了高效准确的自主导航。

Apr, 2024

基于知识感知的图形转换器用于行人轨迹预测

该论文提出了一个图变换器结构来改进预测性能，捕捉数据集中不同场所和情景之间的差异，并设计了一种自注意机制和域适应模块来提高模型的泛化能力。此外，还引入了一种考虑跨数据集序列的额外指标用于训练和性能评估目的。使用 ETH 和 UCY 等流行的公共数据集验证和比较了所提出的框架，实验结果表明了我们提出的方案的改进性能。

Jan, 2024

使用深层分层网络生成长期轨迹

本文利用专家示范解决关于建模长时间轨迹的问题，通过提出一种层次化神经网络结构，能够在高维状态空间中，自动识别长短期目标，进而实现不同于传统方法由单一策略为核心，解决了传统方法在涉及长期行为建模上的局限。作者以模拟篮球运动轨迹的案例为例，通过专业体育分析师的判断得出，相较传统基准方法，作者提出的层次化策略能够生成更为真实的轨迹。

Jun, 2017

多重未来轨迹预测之分岔路径园

本文提出了一个名为 Multiverse 的新模型来生成多个合理的未来人物运动路径，并使用 3D 模拟器创建了一个名为 VIRAT/ActEV 的数据集用以对该模型进行测试。通过使用多尺度位置编码和图卷积神经网络，该模型达到了最佳效果。

Dec, 2019

从目标、路径点和路径到长期人类轨迹预测

该研究提出了一种将样本不确定性分解为先验不确定性和随机不确定性的模型，其中使用了新颖的长期轨迹预测设置，提出了一种名为 Y-net 的场景符合轨迹预测网络。Y-net 在多个数据集上的表现明显优于之前的工作，并对长期预测表现出多样性轨迹预测。

Dec, 2020

基于分层样式网络的动作合成

本文提出了一种自我监督的方法来生成多样且自然的人体动作，通过分解生成任务并使用记忆库检索动作引用作为短程片段生成的源材料，并通过参数化的双向插值方案保证了生成运动的物理合理性和视觉自然性。在大规模的骨架数据集上，我们展示了这个方法在生成长距离、多样化和合理化运动方面的能力，并且这种方法能够适应未见数据，在动态世界中这种生成的序列有实实在在的效果。

Aug, 2020