基于去噪端点分布的多智能体交通预测
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
基于能量规划去噪模型的随机轨迹预测,不仅有效降低了对迭代步骤的依赖,同时提高了效率,并通过建模轨迹分布而非单个轨迹,从而充分考虑行人的内在不确定性,避免了多次去噪操作,实现了目前最先进的预测结果。
May, 2024
提出了一种基于 LSTM 的实时交通预测算法 TrafficPredict,通过学习不同交通主体的移动模式和交互方式来提高交通路径预测的准确性,应用于自动驾驶交通领域,较之先前的算法具有更高的准确性。
Nov, 2018
自动驾驶任务中,在复杂交通环境中进行轨迹预测需要遵循现实世界的环境条件和行为多模态。我们介绍了一种名为 Controllable Diffusion Trajectory (CDT) 的新型轨迹生成器,它将地图信息和社交交互融入到基于 Transformer 的条件去噪扩散模型中,以指导未来轨迹的预测。通过引入行为标记,如直行、向右转或向左转,确保轨迹呈现多模态,并且使用预测的终点作为替代行为标记,以促进准确轨迹的预测。在 Argoverse 2 基准测试中的大量实验表明,CDT 在复杂城市环境中生成多样且符合场景要求的轨迹。
Feb, 2024
本文提出了 PredictionNet,这是一种深度神经网络,用于预测周围交通代理的运动,参考了多层地图和强化学习,在真实交通和流程控制中表现出色。
Sep, 2021
通过动态权重学习,我们提出了 ADAPT,这是一种新方法,可以有效地预测复杂交通场景中所有代理的轨迹,相比现有方法,我们在 Argoverse 和 Interaction 数据集中以较小的计算开销取得更好的表现。
Jul, 2023
本文提出一种名为 DenseTNT 的无锚和端到端轨迹预测模型,并介绍了一种离线优化技术,为我们的在线模型提供多重未来的伪标签。实验表明,DenseTNT 在 Argoverse 运动预测基准测试中排名第一,并成为 2021 Waymo 开放数据集运动预测挑战的第一名。
Aug, 2021
提出了一种能够同时考虑感知不确定性和预测不确定性的端到端估计器 —— 基于编解码器的深度合奏网络,比较了该模型与其他近似贝叶斯推断方法。实验表明,该方法可以更准确地进行鲁棒的未来状态预测。
May, 2023