Jun, 2024

跨融合：基于交叉注意力变换增强的条件扩散模型的汽车跟驰轨迹预测

PDF
TL;DR车辆轨迹预测在推动自动驾驶和高级驾驶辅助系统（ADAS）方面至关重要，本研究介绍了一种专为汽车跟驰轨迹预测设计的交叉注意力变换增强条件扩散模型（Crossfusor），它将详细的车辆间相互作用和跟驰动力学结合到强大的扩散框架中，提高了预测轨迹的准确性和真实性，实验结果证明 Crossfusor 在长期预测方面优于最先进的模型，展示了它增强自动驾驶系统预测能力的潜力。
vehicle trajectory predictionautonomous drivingdeep learninginter-vehicle interactionscrossfusor
发现论文，激发创造
  • TransFollower: 通过 Transformer 进行长序列汽车跟驰轨迹预测

    该研究提出一种基于关注力转换器模型的长序列跟车轨迹预测模型，通过跨层带关注的自注意机制和交叉注意机制在历史驾驶数据和未来 LV 速度数据之间建立联系，从而可以准确预测车辆的 Future FV Speed Profile，在上海自然驾驶研究中该模型表现出比传统智能驾驶模型、全连接神经网络模型、长短时记忆模型更高的准确性。

    Feb, 2022

  • TransFuser：基于 Transformer 传感器融合的自动驾驶模仿

    该研究介绍了 TransFuser - 一种使用自我注意力机制将图像和雷达的信息进行融合，以提高自动驾驶中辨识物体和行驶路径的性能，实验证明该方法的表现在 CARLA 排行榜上优于以往所有的算法。

    May, 2022

  • Transfusor: 用于可控人类化生成车辆变道轨迹的变压器扩散器

    本文介绍了一种名为 “Transfusor” 模型的深度学习生成技术，旨在生成高度逼真且可控的类人车道变换轨迹，进而提高虚拟仿真测试中的灵活性和高度真实感，从而使 ADS 和 ADAS 更加安全可靠。

    Aug, 2023

  • inTformer: 一种基于时间嵌入的连接车辆数据的交叉口事故可能性预测的注意力变换器

    该研究提出了一种基于时间嵌入的注意力机制的 Transformer 模型，用于实时预测交叉口事故可能性，并通过与其他已建立的深度学习模型的比较证实了该模型的可行性。

    Jul, 2023

  • CCDSReFormer: 基于交叉双流增强校正变压器模型的交通流预测

    精确、高效的交通预测对于智能交通系统至关重要，在城市交通规划和管理中具有重要意义。我们介绍了 Criss-Crossed Dual-Stream Enhanced Rectified Transformer 模型（CCDSReFormer），该模型通过 Enhanced Rectified Spatial Self-attention（ReSSA）、Enhanced Rectified Delay Aware Self-attention（ReDASA）和 Enhanced Rectified Temporal Self-attention（ReTSA）三个创新模块，旨在降低计算需求、更好地理解交通动态，并通过独特的学习方法融合空间和时间的见解。对六个真实数据集的广泛测试显示 CCDSReFormer 具有更优越的性能，消融研究也证实了每个组件对模型预测准确性的显著影响，展示了我们模型有效预测交通流量的能力。

    Mar, 2024

  • 多模态融合 Transformer 用于端到端自动驾驶

    本文提出使用多模态融合转换器 TransFuser 对图像和 LiDAR 传感器的信息进行整合以实现先进的自动驾驶技术，在 CARLA 城市驾驶模拟器中实验验证证明该方法在处理复杂场景时比传统基于几何的融合方法有更好的效果，并且在减少碰撞方面表现出色。

    Apr, 2021

  • 具有融合时空图灵活多产生器模型的轨迹预测

    我们提出了一种轨迹预测框架，能够捕捉人行轨迹的社会交互变化和断开的流形，并通过灵活的生成器选择网络学习多个生成器之间的分布。该框架在不同的挑战性数据集上表现出与几个基线方法相比的最先进性能。

    Nov, 2023

  • LeTFuser：轻量级端到端基于 Transformer 的多任务学习自动驾驶传感器融合

    通过引入 LeTFuser 算法，利用 Convolutional vision Transformer 实现多个 RGB-D 相机表示的融合，以解决端到端自动驾驶中涉及多个动态主体的复杂场景下现有传感器融合技术在模仿学习中的不足，并通过多任务学习在感知和控制任务之间同时进行相关处理。

    Oct, 2023

  • 基于注意力的社交图变换网络用于随机轨迹预测

    提出了一种关注社交图转换网络的多模态轨迹预测方法，它结合了图卷积网络和 Transformer 网络，并通过生成稳定分辨率的伪图像来处理空时图，还设计了关注社交交互信息的模块。实验证明该模型在多个度量指标上最大限度地降低了位移误差，并显著减少碰撞的可能性，同时具备长时间预测的能力。

    Dec, 2023

  • DifFUSER: 三维物体检测和 BEV 分割中鲁棒多传感器融合的扩散模型

    DifFUSER 是一个新的方法，利用扩散模型进行多模态融合，特别适用于三维物体检测和 BEV 地图分割，通过扩散的去噪特性，能够在传感器故障的情况下改进或合成传感器特征，从而提高融合输出的质量。在架构方面，我们采用了层级 BiFPN 结构的 DifFUSER 块，进一步引入了 Gated Self-conditioned Modulated (GSM) 潜在扩散模块以及 Progressive Sensor Dropout Training (PSDT) 范式，以增强扩散过程的条件性和对传感器故障的鲁棒性。我们在 Nuscenes 数据集上进行广泛评估，结果显示 DifFUSER 不仅在 BEV 地图分割任务中取得了 69.1% 的 mIOU 的最新成绩，而且在三维物体检测方面与领先的基于 Transformer 的融合技术具有很强的竞争力。

    Apr, 2024