May, 2024

基于估计先验的加速扩散模型用于不确定性下鲁棒运动预测

PDF
TL;DR我们提出了一种基于扩散的、可加速的框架，能够高效地预测代理的未来轨迹，具有对噪声的高抗干扰性，并满足自动驾驶车辆所需的严格实时操作标准。
发现论文，激发创造
  • 运动规划扩散：使用扩散模型学习和规划机器人动作

    学习轨迹分布的先验信息可以帮助加速机器人运动规划优化，本工作提出了学习扩散模型作为先验信息的方法，并通过扩散模型的逆去噪过程在任务目标条件下直接从后验轨迹分布中进行采样，实验证明扩散模型是编码高维机器人运动轨迹分布的强先验。

    Aug, 2023

  • AAMDM: 加速的自回归运动扩散模型

    通过综合定量分析和视觉比较，我们展示了加速自回归运动扩散模型（AAMDM）在运动质量、多样性和运行效率方面优于现有方法，并通过消融研究证明了每个算法组成部分的有效性。

    Dec, 2023

  • MotionDiffuser：可控的基于扩散的多智能体运动预测

    本文提出了 MotionDiffuser 模型，其能够学习多个交通参与者之间联合分布的多模态表示，在实现高效计算精确样本概率的前提下，提出了一种压缩轨迹表示以提高模型性能，并结合约束抽样框架，以应用于强制束缚和创造定制化模拟场景等应用，最终在 Waymo 数据集上实现了最先进的多代理运动预测结果。

    Jun, 2023

  • 基于扩散的环境感知轨迹预测

    基于扩散的生成模型用于多智能体轨迹预测，具有学习数据多样性、提高预测准确性和应对不确定交通状况的实用性。

    Mar, 2024

  • 面向意图的去噪扩散模型的轨迹预测

    使用散射模型生成多个合理的未来轨迹分布，通过解决时间消耗和意图不确定性的问题，能够提高推理速度并实现更少的扩散步骤。

    Mar, 2024

  • DICE: 用于轨迹预测的多样化扩散模型与评分

    在动态环境中，道路用户轨迹预测是一个具有挑战性但十分关键的任务，特别适用于自动驾驶等各种应用。本研究提出了一种新的框架，以计算高效的方式利用扩散模型来预测未来的轨迹。我们展示了该方法在常见的行人和自动驾驶基准数据集上取得了最先进的性能。

    Oct, 2023

  • 使用自回归扩散模型的可控运动合成和重建

    该研究介绍了 MoDiff，它是一个基于自回归概率扩散模型的运动序列生成模型，其结合了跨模式 Transformer 编码器和基于 Transformer 的解码器，以生成控制时序依赖性的动作。该模型在运动合成方面表现优异，并通过数据丢弃方法来提高数据表示和运动合成的鲁棒性。

    Apr, 2023

  • 基于运动扩散的全局一致随机人体动作预测

    该论文提出了一种基于扩散的随机人体运动预测框架 DiffMotion，旨在预测未来的姿势序列，并通过使用多阶段图卷积网络和方差调度器，使预测结果准确、逼真、一致，同时在准确度和保真度方面明显优于先前的方法，并通过基准数据集展现了强大的鲁棒性。

    May, 2023

  • 随机运动预测的人体关节运动扩散细化

    该研究提出了一种名为 MotionDiff 的扩散概率模型，将人体运动的运动学视为受热的粒子，其自原始状态扩散到噪声分布。该方法通过一种自然的方式获取了 “白化” 的潜在变量，而无需任何可训练参数，证明 MotionDiff 模型在两种数据集上具有竞争力的准确性和多样性表现。

    Oct, 2022

  • 可控的运动扩散模型

    该研究提出了一种基于扩散模型的可控运动扩散模型 (COMODO) 框架，通过强化学习控制器和控制策略，实现了对虚拟角色的实时、多样化运动生成，可以适应用户的实时命令，同时还可以预测更多多样化的动作。

    Jun, 2023