Apr, 2024

多智能体轨迹预测的神经交互能量

PDF
TL;DR通过神经交互能量的多智能体轨迹预测框架 MATE，我们引入了两个约束条件以增强时间稳定性，即智能体间的相互作用约束和智能体内部运动约束，有效地减轻了多智能体系统中固有的预测波动。对比四个不同数据集上以前的方法的评估结果突出了我们模型的优越预测准确性和泛化能力。
multi-agent trajectory predictionneural interaction energytemporal stabilityinter-agent interaction constraintintra-agent motion constraint
发现论文，激发创造
  • 多智能体张量融合用于上下文轨迹预测

    自动驾驶中准确预测其他车辆 / 行人的运动轨迹非常重要，本文提出了一种基于多智能体张量融合网络的模型，可以模拟代理人之间的交互和约束以及环境场景等因素，从而实现对未来运动轨迹的精准预测，并在高速公路和行人数据集上表现出最先进的预测精度。

    Apr, 2019

  • 利用代理选择和物理方法增强交互模型用于轨迹预测

    通过考虑车辆当前和未来轨道的 ASPIlin 方法，改进了车辆轨迹预测方法以提高准确性和效率。

    May, 2024

  • 基于 Transformer 的多模式神经网络用于自动驾驶的运动预测

    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

  • 使用图神经网络联合交互和轨迹预测自动驾驶

    本文提出了一种基于图神经网络的方法，通过显式建模相互作用来预测交通场景中车辆的未来动向，并采用自动标注函数来生成交互标签，从而有效地降低了轨迹误差。

    Dec, 2019

  • 通过 "团队游戏" 重新思考轨迹预测

    该论文提出了一个新的多智能体轨迹预测模型，它通过交互式分层潜空间明确引入组内共识的概念，可以更好地捕捉群体层面和个体层面的互动，从而在两个多智能体场景中均实现了优异的性能表现。

    Oct, 2022

  • 使用隐式层学习多智体轨迹的博弈论模型

    该研究提出了一种可解释性强、基于神经网络和博弈理论的、能转化为下游决策制定的端到端可训练架构，用于预测相互作用代理的轨迹。该模型使用一个神经网络从代理的过去轨迹中提取偏好，并使用可微分的隐式层将这些偏好映射到局部纳什均衡，从而形成预测的未来轨迹的模式。实验评估表明，该方法在预测高速公路驾驶员合并轨迹和简单的决策制定任务上都取得了良好表现。

    Aug, 2020

  • 基于能源的潜力博弈用于联合运动预测与控制

    利用博弈论作为数学框架，解决多智能体运动预测与控制中的交互建模问题。通过建立微分博弈、最优控制和基于能量的模型之间的联系，提出了基于能量的潜力博弈的统一方法，并介绍了结合神经网络进行博弈参数推断的端到端学习应用，该应用具有可解释性并通过两个模拟实验和两个真实驾驶数据集证明了其对各种神经网络模型的预测性能的改善。

    Dec, 2023

  • 基于递进交互的自动驾驶轨迹预测学习

    通过逐步交互网络和权重分配机制提高地图约束条件对代理的特征表示的学习，从而实现准确的行为预测，以优化自动驾驶性能。

    Mar, 2024

  • 从因子化边缘轨迹预测到交互式预测的 M2I 模型

    利用交互作用代理之间的关系，将联合预测问题分解为边际预测问题，继而通过使用边际预测模型和条件预测模型，预测行人的轨迹，并根据它们的联合可能性进行组合和选择。

    Feb, 2022

  • 模糊查询注意力下的多智能体轨迹预测

    本论文提出了一种通用结构来解决如交通预测、行人跟踪、路径规划等多智体场景轨迹预测的挑战，该结构采用惯性、相对运动、意图、互动等模式来模拟运动的归纳偏差，灵活地模拟不同环境中多智体之间的相互作用，并且通过一个新的关注机制实现连续值（模糊）决策的对话模拟，取得了比现有前沿预测模型在人群运动轨迹、美国高速公路交通、NBA 运动数据和物理数据集等不同领域中的显著性能提升，同时提出了一些消融和增益方案来理解该模型的决策过程和性能提高的原因。

    Oct, 2020