May, 2024

一种车辆轨迹预测的结构感知车道图变换模型

PDF
TL;DR具有结构感知能力的 Lane Graph Transformer (LGT) 模型将地图拓扑结构编码到注意力机制中，以精确预测自动驾驶车辆周围车辆的未来轨迹。对 Argoverse 2 数据集进行的实验结果表明，与基准模型相比，所提出的 LGT 模型在预测性能上显著提高，minFDE$_6$ 指标下降了 60.73%，b-minFDE$_6$ 指标下降了 2.65%。消融实验进一步验证了地图拓扑结构的考虑对模型的有效性，b-minFDE$_6$ 指标下降了 4.24%。
发现论文，激发创造
  • LaneGraph2Seq: 通过顶点边编码和连通性增强的语言模型进行车道拓扑提取

    理解道路结构对自动驾驶至关重要。传统的道路结构常用车道图表达，其中包括中心线曲线和形成有向无环图的连接。正确提取车道图需要准确估计有向无环图中的顶点和边信息。然而，现有研究主要侧重于明确建模顶点，而将边信息仅嵌入网络中，导致这些方法在车道图提取任务中表现不佳。为解决此问题，我们提出了一种名为 LaneGraph2Seq 的新方法，它采用了编码顶点 - 边的语言模型和增强连接性方法。我们的序列化策略包括以顶点为中心的深度优先遍历和简洁的基于边的分区序列。此外，我们使用无分类器引导结合核心抽样来改进车道连接性。我们在知名数据集 nuScenes 和 Argoverse 2 上验证了我们的方法，展示了一致且令人信服的结果。与车道图提取领域的最新技术相比，我们的 LaneGraph2Seq 方法表现出优越的性能。

    Jan, 2024

  • 学习车道图表示以进行运动预测

    通过构建一个从原始地图数据中构造出来的车道图，结合 LaneGCN 和 Actormap 交互设计了一个动态预测模型，可以准确地预测和展示多种行车情景，取得了比现有最好技术更好的表现。

    Jul, 2020

  • HDGT: 基于场景编码的多智能体轨迹预测的异质驱动图变压器

    针对自动驾驶中编码驾驶场景以进行轨迹预测的任务，本文提出了一种新颖的骨干网络，称为异构驾驶图变换器 (Heterogeneous Driving Graph Transformer, HDGT)，将驾驶场景建模为具有不同类型节点和边的异构图，并在图神经网络 (GNN) 的聚合模块中采用分层的变换器结构来适应输入的异构性，实验结果表明，该方法在 INTERACTION Prediction Challenge 和 Waymo Open Motion Challenge 中取得了新的最优结果。

    Apr, 2022

  • 交通中轨迹预测的快速无地图模型

    该研究提出了一种高效的轨迹预测模型，不依赖于交通地图，通过在两个阶段中综合应用注意机制、LSTM、图卷积网络和时间变换器等技术，编码了单一代理的时空信息，并探索了多个代理之间的时空交互信息，实现了比现有无地图方法更高的性能，并超过了 Argoverse 数据集上大多数基于地图的最先进方法，同时也具有比基准方法更快的推理速度。

    Jul, 2023

  • 基于知识感知的图形转换器用于行人轨迹预测

    该论文提出了一个图变换器结构来改进预测性能，捕捉数据集中不同场所和情景之间的差异，并设计了一种自注意机制和域适应模块来提高模型的泛化能力。此外，还引入了一种考虑跨数据集序列的额外指标用于训练和性能评估目的。使用 ETH 和 UCY 等流行的公共数据集验证和比较了所提出的框架，实验结果表明了我们提出的方案的改进性能。

    Jan, 2024

  • LaneSegNet 设计研究

    为了提高计算机视觉算法在实时场景中对道路特征的准确评估能力，本研究探索了 LaneSegNet 架构，该方法将拓扑信息与车道线数据集成，以提供更多上下文理解道路环境的能力。通过修改特征提取器和变换器编码器 - 解码器堆栈，我们发现在训练时间和预测精度之间可以得到有趣的权衡，某些组合显示出有希望的结果。这项研究为根据可用计算资源优化 LaneSegNet 提供了宝贵的见解，使之对资源有限的用户更具可行性，并增强了对资源更丰富的用户的能力。

    Jun, 2024

  • 路径感知图注意力在动作预测的应用

    提出了一种基于路径感知的图形注意力机制，用于对高清地图进行编码，以帮助自主驾驶汽车预测路径，并在 Argoverse Motion Forecasting 数据集上取得了最优结果。

    Feb, 2022

  • 基于知识图谱嵌入和贝叶斯推理的车辆换道预测

    基于语言上下文信息利用知识图谱实现车道变更预测，并应用贝叶斯推理，预测车道变更两秒前的 f1 得分为 97.95%，领先于现有技术，三秒前的 f1 得分为 93.60%。

    Dec, 2023

  • 基于 Transformer 的端到端车道形状预测

    本文提出了一种使用 transformer 网络进行车道检测的端到端方法，使用自我注意机制来捕捉细长结构和全局上下文，并在 TuSimple 基准测试中展示了最新的准确性，适应性和实际应用的强大部署潜力。

    Nov, 2020

  • 基于几何结构先验的 BEV 重建三维车道检测方法

    本研究提出了一种新的方法来解决通过利用 2D 到 3D 车道重建过程底层的几何结构来摆脱单目 3D 车道检测问题的方法，并使用结构先验来实现从局部到全局的三维车道重建，通过直接从前视图图像中提取 BEV 车道信息和任务特定的数据增强方法来降低 2D 车道表示中的结构损失，提高广义性；实验证明，该方法在 82 FPS 的实时速度下优于现有方法 3.8％的 F-Score。

    Jun, 2022