Valeo4Cast:一种模块化的端到端预测方法
本文提出了一种新颖的端到端架构,该架构接受原始视频输入并输出未来车辆运动轨迹预测,以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置,然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模,从而达到了高精度的未来车辆轨迹预测,实验结果表明,该算法优于目前各种先进模型。
Apr, 2023
研究挑战:将运动预测模型应用于由感知模块提供输入的更加真实场景,并通过综合评估量化领域差距的影响,并设计合成扰动以更好地表征其后果,从而提供有关上游感知模块中需要改进的领域的见解和指导。
Jun, 2023
本研究提出了一种基于原始传感器测量而非基于标准轨迹的端到端方法来进行对象检测和运动预测,实现对多个未来情况的推理能力,并扩展了检测度量来检验预测准确性。
Mar, 2022
本文系统分析了 250 多篇论文,涵盖了自主驾驶的动机、路线图、方法论、挑战和未来趋势,并深入探讨了多模态、可解释性、因果混淆、健壮性和世界模型等若干关键挑战,同时讨论了基础模型和视觉预训练的最新进展,以及如何在端到端驾驶框架中整合这些技术。
Jun, 2023
本研究针对自动驾驶中的多视角预测车辆状态的问题,提出了一种多视角与历史轨迹相融合的预测框架,并通过使用 3D 卷积从视频中提取视觉特征以及通过 1D 卷积从车速和转向角度轨迹数据中提取特征,实现了在实际数据集上的车辆状态预测任务中的优越表现。
Jul, 2021
本研究为了实现自主系统对未来的实时预测,将挑战性的语义预测任务分解为两个子任务:当前帧的分割和未来光流的预测,并通过引入流预测网络和特征 - 流聚合 LSTM 层以及可端到端学习的扭曲层来构建高效、有效、低开销的模型,最终实现在短期和移动对象语义预测方面的最新精度,并将模型参数降低了高达 95%,效率提高了 40 倍以上。
Sep, 2018
本文提出了一种利用深度学习的基于模仿学习的概率驾驶模型,可以综合利用摄像机,激光雷达和雷达的信息来应对各种环境条件和动态障碍物,具有优异的泛化性能。
May, 2020
基于连续数据流的轨迹预测是一个重要的问题,我们引入了一个新的基准测试来解决忽略了流数据中出现和消失的物体以及预测结果的时间连续性的问题,我们提出了一个名为 "预测流" 的算法来解决这个问题,并通过采用多模型轨迹传播和可微分滤波器来提高预测质量,得到了更准确的预测结果。
Oct, 2023
本文提出了一种新的基于多头注意力的车辆运动预测方法,它能够通过多模态概率密度函数的序列来对道路场景中的所有车辆进行联合预测,不需要机动定义,并且不使用空间网格来表示场景,这使得它比类似模型更加灵活,同时具有交互式联合预测、不确定性估计和多模态性的所有预测能力,结果表明该模型的预测准确率优于同一数据集上的现有模型
Oct, 2019
本研究使用 CARLA 模拟器开发了一个合成数据集,并使用卷积神经网络创建了一种端到端的短期轨迹预测模型,使得自动驾驶汽车能够更好地应对复杂情境,如行人穿越马路,车辆超车等,同时免去了对环境的显式编码。
Jul, 2023