TrafficBots V1.5:通过条件变分自编码器和相对位姿编码的 Transformer 进行交通模拟
本技术报告介绍了我们在 Waymo Open Sim Agents Challenge 2023 中取得第一名的解决方案,使用 MVTA 技术实现了基于 transformer 的运动预测方法,设计了新颖的训练和采样方法,并实现了一个回归视野预测机制和可变长度的历史聚合方法来提高真实度。在实验中,我们的 MVTA 和增强版本 MVTE 的 realiism meta-metric 均超过了排行榜上的所有其他方法。
Jun, 2023
利用 TrafficSim 模拟真实的自动驾驶系统中的多智能体交通模型,以更多样化的人类演示数据为基础,生成人类社交一致的行驶计划,生成更真实、更多样化的交通场景,可作为训练更好的运动规划员的有效数据增强。
Jan, 2021
提出了基于自动机器人(AutoBots)的潜变量序列集变压器模型,具有单代理预测和多代理预测的能力,在全局 nuScenes 车辆运行预测领域取得了最佳成果,使用了学习可并处理的时间和社会 MHSA 模块的编码器,并结合可学习的种子参数,使用临时和社会 MHSA 模块的解码器能够高效地对整个未来场景进行推断。
Feb, 2021
在这篇技术报告中,我们介绍了 2023 Waymo 开放式模拟智能体挑战赛 (WOSAC) 第二名的解决方案。我们提出了一种简单而有效的自回归方法来模拟多智能体行为,该方法建立在一种被称为运动变换器 (Motion Transformer) 的知名多模态动作预测框架上,并应用了后处理算法。我们的提交名称为 MTR+++,在 2023 WOSAC 的真实性元指标上取得了 0.4697。此外,在挑战赛后提出了一种基于 MTR 的修改模型 MTR_E,它有更好的得分 0.4911,并在 2023 年 6 月 25 日排名 WOSAC 的第三名。
Jun, 2023
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
本研究使用参数共享对抗逆强化学习模型,将交通仿真视为一个逆强化学习问题,并且能够在实际环境中模拟出车辆轨迹,同时还能够恢复反映车辆真实目标的奖励函数,与现有方法相比,在多样化的实际交通环境中表现出卓越的性能和稳健性。
May, 2021
提出了 BehaviorGPT,一种基于解码器的自回归架构,用于模拟多智能体的顺序运动,并通过 Next-Patch Prediction Paradigm (NP3) 在 Waymo Sim Agents Benchmark 的多个指标排名第一。
May, 2024
该研究介绍了解决 Traffic4cast 2022 核心挑战和扩展挑战的方法,使用 Transposed Variational Auto-encoder(TVAE)模型重建丢失的数据、Graph Attention Networks(GAT)加强学习表示之间的关联,并进一步采用特征选择从多样但易于获取的数据中学习交通模式,最终在两个挑战中均名列第一。
Oct, 2022
本研究提出了一种基于数据驱动的方法(称为 BITS)来生成具有现实感、多样性和远期稳定性的交通行为,该方法将交通仿真问题分解为高层意图推断和低层驾驶行为模仿的双层层次结构,并引入了规划模块来获取稳定的长期行为。同时,还开发出一种软件工具,统一不同驾驶数据集的数据格式并将现有数据集中的场景转换为交互式仿真环境。
Aug, 2022
我们提出了一种基于 transformers 和概率图模型的多个相互作用代理(道路用户)轨迹模拟方法,并将其应用于 Waymo SimAgents 挑战。我们的方法基于 MTR 模型,使用先验知识编码因子来生成并改进轨迹预测,该模型通过执行高斯牛顿方法的(近似)最大后验推理来采样数十个代理的未来轨迹。我们的方法名为 “模型预测模拟”(MPS),在安全关键指标(如碰撞率)方面改进了 MTR 基线,并且与任何潜在预测模型兼容,不需要额外的训练。
Jun, 2024