基于运动变压器的轨迹预测的迁移学习研究
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
提出了一种基于转换器的轨迹预测模型,通过社交张量将目标代理的位移特征丰富化,考虑和周围代理的社交互动信息,以实现对周围代理的反应预测。
Jun, 2024
本文介绍了一种基于 Transformer 结构的神经预测框架来模拟车辆之间的社交关系和预测可能的轨迹,其中采用了多模态注意机制来解决运动预测的多模态问题,并在 Argoverse 运动预测数据集上得到了最佳预测精度。
Sep, 2021
该研究介绍了 TransFuser - 一种使用自我注意力机制将图像和雷达的信息进行融合,以提高自动驾驶中辨识物体和行驶路径的性能,实验证明该方法的表现在 CARLA 排行榜上优于以往所有的算法。
May, 2022
使用 Transformer 技术,通过分析其注意机制并设计特定的预训练任务,可以学习车辆群体内轨迹的多样性,同时预训练模型在捕捉车辆群体的空间分布方面表现出色,并能准确预测时间序列中的轨迹速度。
Sep, 2023
该论文提出了一种新的基于 transformer 的系统 ——mmTransformer,它使用独立提案集生成和选择提案,并使用基于区域的训练策略诱导所生成提案的多样性。实验表明,该模型在运动预测方面具有最先进的性能,大大提高了预测轨迹的多样性和准确性。
Mar, 2021
本篇研究旨在提出一种基于遮罩策略和注意力机制的场景中多智能体行为预测模型,以解决自动驾驶中的动态环境下多种智能体之间相互作用问题,结果表明该模型在多种运动预测任务上表现出优越性和普适性。
Jun, 2021
该论文提出了一种通过模块化和抽象化来从仿真环境中转移自动驾驶车辆策略到现实世界的方法,该方法旨在将模块化架构和端到端的深度学习方法的优点相结合,从而解决自动驾驶车辆训练中的传递性问题,并在仿真城市环境和现实世界中进行了评估。
Apr, 2018
本文提出使用多模态融合转换器 TransFuser 对图像和 LiDAR 传感器的信息进行整合以实现先进的自动驾驶技术,在 CARLA 城市驾驶模拟器中实验验证证明该方法在处理复杂场景时比传统基于几何的融合方法有更好的效果,并且在减少碰撞方面表现出色。
Apr, 2021