Jun, 2024

一个多阶段目标驱动网络用于行人轨迹预测

PDF
TL;DR该论文提出了一种用于行人轨迹预测的新方法，称为多阶段目标驱动网络 (MGNet)。通过预测中间阶段目标来生成轨迹，以减小预测误差。MGNet 包括条件变分自编码器 (CVAE)、注意力模块和多阶段目标评估器等主要组件。我们通过对 JAAD 和 PIE 数据集进行全面实验，并与最先进的算法进行比较评估，证明了 MGNet 的有效性。
发现论文，激发创造
  • 基于目标驱动的阶段性网络用于轨迹预测

    本文提出了 Stepwise Goal-Driven Network (SGNet) 的循环网络来预测观察到的行人或车辆在多个时间尺度上的轨迹，并通过连续建模目标的变化提供更准确和详细的信息。作者在三个第一人称交通数据集和三个鸟瞰数据集上对模型进行了评估，并展示了在所有数据集上都取得了最先进的结果。

    Mar, 2021

  • GoalNet: 面向目标区域的行人轨迹预测

    通过使用场景上下文和观察到的轨迹预测目标点，再根据目标点预测未来轨迹，GoalNet 可以显著提高行人轨迹预测的性能。

    Feb, 2024

  • 概率众包 GAN：使用图形车 - 行人注意网络进行多模态行人轨迹预测

    本文介绍了一种使用概率多模式预测方法和社交影响建模的新型 GAN，可有效预测人群行为和行人意图，以达到更好的自动驾驶和移动机器人导航效果。

    Jun, 2020

  • Goal-GAN: 基于目标位置估计的多模态轨迹预测

    本研究提出了 Goal-GAN，这是一个可解释性且可端到端训练的模型，用于人类轨迹预测，并通过将轨迹预测的任务建模为直观的两阶段过程：目标估计和路由模块，来实现该任务。我们使用了过去的轨迹信息和场景的视觉背景，来估计可能的目标位置的多模态概率分布，并使用其在推断过程中采样一个潜在的目标进行路由。我们使用一个循环神经网络来执行路由任务，该网络能够反应周围物理约束并生成符合这些约束的可行路径。我们的实验结果表明，我们的方法在多个基准测试中建立了一个新的最先进模型，并能够生成符合物理约束的逼真且多样化的轨迹集合。

    Oct, 2020

  • SFMGNet：基于物理学的神经网络预测行人轨迹

    研究使用基于物理的神经网络（结合社会力量模型和多层感知器）来预测人类行人的运动轨迹，并取得了良好的预测效果和解释性。

    Feb, 2022

  • 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

  • BiTraP: 双向行人轨迹预测与多模态目标估计

    本论文介绍了一种基于条件变分自编码器的双向多模态轨迹预测方法 BiTraP，该方法采用目标条件化方法和双向编 / 解码器结构以提高长期轨迹预测准确性，其在第一人称视角和鸟瞰视角均表现良好，比最先进的轨迹预测方法提高了约 10-50%。研究还发现，CVAE 中的目标模型对预测的多模态轨迹分布产生直接影响，这为碰撞回避和导航系统等机器人应用的轨迹预测器设计提供了指导。

    Jul, 2020

  • 基于目标驱动的自注意力循环神经网络的轨迹预测

    研究人类运动轨迹预测，提出基于注意力机制的轻量级循环模型并结合基于场景感知的目标估计模块，应用于公共数据集，能够在保证预测准确性的前提下，减少模型复杂度。

    Apr, 2022

  • 可迁移的 GNN 自适应轨迹预测

    提出了一种新颖的可传递图神经网络（T-GNN）框架，该框架在统一框架中联合进行轨迹预测和域对齐。 结果表明所提出的方法对于解决不同轨迹域之间的差异具有优越的性能。

    Mar, 2022

  • 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