Apr, 2024

MAP-Former：多智能体配对高斯联合预测

PDF
TL;DR通过预测交通代理对的协方差矩阵，提出了一种 “场景中心” 的运动预测新方法，为基于统计方法的风险评估奠定基础。
risk assessmenttrajectory predictioninterdependent agentscovariance matricesstatistically based methods
发现论文，激发创造
  • 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

  • 利用增量 Pearson 相关系数进行联合多智能体轨迹预测

    介绍了一种基于 incremental Pearson 相关系数的新型模块，用于提高多智能体交互建模的性能，它可以方便地嵌入到现有的多智能体预测方法中，并通过在多个数据集上的实验表明，在 baselines 上的表现都有很大程度的提升。

    Mar, 2023

  • 一种概率性通用交通场景预测框架

    本文提出了一种概率框架，能够在任何驾驶场景下联合预测多个交通参与者的连续运动，并能够预测每个交互的持续时间，以提高预测性能和效率。该框架包含两个层次模块：上层模块预测预测车辆的意图，下层模块预测与其交互的场景中其他实体的运动，为自主车辆的决策制定和运动规划提供支持。

    Oct, 2018

  • 多元未来预测

    为了预测智能与健壮的复杂动态环境下未来的多个目标路径，该论文提出了基于概率的框架来学习表示语义多模态未来的潜在变量，其中利用动态基于注意力的状态编码器学习编码智能体之间的交互，可被用于车辆轨迹预测。

    Nov, 2019

  • 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

  • MultiPath: 多重概率锚定轨迹假设用于行为预测

    以未来状态序列锚点为基础，为多模式轨迹概率分布预测提供了一个有效的解决方案。

    Oct, 2019

  • KI-PMF: 知识集成的可信动作预测

    本文通过整合先验知识，提出了防止离线道路预测以实现安全可靠的运动预测的概念，以确保自主车辆在复杂和动态场景中的可达性保证。

    Oct, 2023

  • FJMP: 基于学习有向无环交互图的分解联合多智能体运动预测

    本文提出了一种用于自动驾驶中多智能体交互驾驶情景下预测未来场景级联联轨迹的方法，并称之为 FJMP。FJMP 将未来场景交互动力学建模为稀疏有向交互图，对联合预测任务进行分解并使用有向无环神经网络进行预测。实验表明 FJMP 在交互最多和动力学最有趣的代理上比非因式分解方法产生了更准确和一致的联合轨迹预测。

    Nov, 2022

  • 多预测器融合：结合基于学习和基于规则的轨迹预测器

    本文介绍了一种称为 MPF 的算法，它通过将遵循基于逻辑的规则的运动规划和基于学习的预测器相结合，在高度交互式交通场景中提高了学习基础预测器的性能。结果显示，在各种指标上，MPF 优于两个独立预测器，并提供最一致的性能。

    Jul, 2023

  • 基于多头注意力和联合代理 - 地图表示的自动驾驶轨迹预测

    利用多头注意力机制生成多模态未来轨迹预测，以最佳地利用静态场景和环境的信息，实现自动驾驶车辆的精准导航，该模型在 nuScenes 预测基准测试中取得了最佳结果。

    May, 2020