基于条件扩散模型的可靠轨迹预测与不确定性量化

CVPRMay, 2024

基于条件扩散模型的可靠轨迹预测与不确定性量化

Reliable Trajectory Prediction and Uncertainty Quantification with Conditioned Diffusion Models

Marion Neumeier, Sebastian Dorn, Michael Botsch, Wolfgang Utschick

TL;DR通过集成驱动能力的约束和物理约束条件的生成预测模块，本研究提出了一种基于扩散模型的高速公路轨迹预测网络架构，通过整合量化的不确定性进行预测，以提高模型的性能。该模型在公开可用的高 D 数据集上进行了评估实验，结果表明在提供可行驶轨迹和不确定性量化的同时，与最先进的模型相比具有竞争性的轨迹预测准确性。

Abstract

This work introduces the conditioned vehicle motion diffusion (cVMD) model, a novel network architecture for highway trajectory prediction using diffusion models. The proposed model ensures the drivability of the

conditioned vehicle motion diffusion trajectory prediction non-holonomic motion constraints physical constraints uncertainty quantification

发现论文，激发创造

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

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

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。

May, 2024

适应性的分布变迁下的轨迹预测不确定性量化

本文提出了 CUQDS 框架，该框架旨在量化现有轨迹预测模型在数据分布转移下的预测轨迹不确定性，并在训练阶段考虑模型预测准确性的提高和估计不确定性的减少。

Jun, 2024

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

基于扩散的运动行为预测的可控多样性采样

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

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

约束感知扩散模型的轨迹优化

基于扩散模型的轨迹优化问题传统上使用神经网络生成高质量且多样化的解决方案，本文提出了一种新颖的考虑约束的扩散模型用于轨迹优化，引入了一种新颖的混合损失函数进行训练，能够最小化扩散样本与真实数据之间的约束违规问题，同时恢复原始数据分布，实验证明在桌面操纵和双车回避问题上，该模型在最小化约束违规和生成接近局部最优解的样本方面优于传统扩散模型。

Jun, 2024

城市路口不确定性感知驾驶员轨迹预测

本文介绍了一种基于多传感器的变分神经网络方法，用于预测驾驶员车辆的未来轨迹分布。该方法能够处理不确定的情况，并且可以与物理学预测器相结合，提高整个系统的性能。经实验证明，我们的方法可将物理学模型的预测误差提高 25％，同时以 82％的准确度成功识别不确定情况。

Jan, 2019

条件引导扩散控制交通仿真

本文介绍了一种基于条件扩散模型的可控交通生成技术，利用扩散建模和可微分逻辑为实现交通规则生成提供了理论基础，并在 nuScenes 数据集上得到了验证。

Oct, 2022

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