- TEDi 策略:时域纠缠扩散用于机器人控制
使用 Temporally Entangled Diffusion (TEDi) 框架,改进基于扩散的策略提取和训练,在保持性能的同时大幅提升采样速度。
- 语言驱动的交互式交通轨迹生成
提出了一种通过自然语言控制生成真实轨迹的方法,该方法可以生成交互式交通轨迹,并表现出比之前最先进方法更高的性能,通过多样的自然语言命令实现了对交互式交通轨迹的更逼真、可控的生成。
- CC-GPX: 从 Common Crawl 抽取高质量注释的地理空间数据
通过使用 Common Crawl 作为带注释的地理空间数据的来源,该研究论文提出了一个高效的流水线来从 CC 中的 GPX 文件中提取带注释的用户生成轨迹,并生成了包含 1,416 对人工书写描述和 MultiLineString 矢量数 - 基于估计先验的加速扩散模型用于不确定性下鲁棒运动预测
我们提出了一种基于扩散的、可加速的框架,能够高效地预测代理的未来轨迹,具有对噪声的高抗干扰性,并满足自动驾驶车辆所需的严格实时操作标准。
- ControTraj:带有拓扑约束的可控轨迹生成
通过使用拓扑约束扩散模型的可控轨迹生成框架 ControlTraj,该研究提出了一种生成高度保真轨迹的方法,并整合了道路网络拓扑的结构约束,以指导地理结果。
- 野外图形:野生动物的现实图形轨迹生成
研究了利用一小组真实样本生成类似野生动物迁徙的长期轨迹的问题,提出了一种分层方法来学习真实数据集的全局运动特征并递归改进本地化区域,通过使用 H3 区域的原型网络和经验变分自编码器基于占用概率,我们的解决方案 WildGraph 成功地生成 - WcDT: 世界中心扩散变压器用于交通场景生成
我们介绍了一种新颖的自动驾驶轨迹生成方法,通过利用扩散概率模型(即扩散模型)和变形器的互补优势。我们提出的框架称为 “世界中心扩散变形器”(WcDT),它从特征提取到模型推断优化了整个轨迹生成过程。广泛的实验结果表明,该方法在生成逼真且多样 - DITTO:轨迹转换实现示范模仿
通过离线和在线阶段的两步操作,本研究提出了一种通过单个 RGB-D 视频演示进行一次性模仿的机器人教学方法,包括轨迹提取、对象检测、轨迹匹配,借助多个辅助模型验证设计决策,并在真实世界场景下进行了广泛评估。
- 为何更改你的控制器而不是更改你的规划器:针对四旋翼系统的具有拖曳感知的轨迹生成
为了解决遭受气动力矩的四旋翼飞行器的轨迹生成和反馈控制问题,本文提出了一种自适应轨迹生成策略,通过引入跟踪成本函数来改善四旋翼系统的轨迹追踪能力,在模拟和硬件实验中验证了该方法的有效性。
- WildGEN: 野生动物的长期轨迹生成
使用基于变分自编码器的方法,通过少量真实样本生成具有长时间段内的野生鹅运动特征的轨迹,利用平滑滤波器对生成的轨迹进行后处理以减少过度徘徊,并通过可视化检查和计算生成轨迹与真实轨迹之间的豪斯多夫距离以及生成轨迹和真实轨迹的相似聚类的皮尔逊相关 - 通过策略引导的轨迹扩散实现的世界模型
我们提出了一种新的世界建模方法 PolyGRAD,它利用扩散模型和策略的动作分布梯度,通过一次传递生成整个在政策上的合成轨迹,该方法在竞争力预测错误率方面与最先进的自回归基线相当,并且使得能在 “虚拟中” 进行政策优化的性能表现良好。
- 四旋翼无人机动态障碍轨迹预测的更安全基于视觉的自主规划系统及其在 LLMs 中的应用
针对智能四旋翼无人机,本文提出了一种稳健可靠的自主规划系统,结合动态障碍物的跟踪和轨迹预测实现高效可靠的自主飞行,采用轻量级目标检测算法识别动态障碍物,利用卡尔曼滤波跟踪和估计其运动状态,在规划阶段不仅考虑静态障碍物而且考虑动态障碍物的潜在 - 地域即行者:基于人类移动性的大规模预训练时空模型用于普遍城市感知
基于人员流动数据的大时空模型提供了用户描述、区域分析和轨迹生成等领域潜在的发展机会。
- ICCVMotionLM: 多智能体运动预测作为语言建模
可靠地预测道路行为是自动驾驶车辆安全规划的关键组成部分。本研究将连续轨迹表示为离散运动令牌序列,并将多智能体运动预测视为一个语言建模任务。我们的模型 MotionLM 具有多个优势:首先,它不需要锚点或明确的潜在变量优化来学习多模态分布;其 - 基于运动学的轨迹生成与预测及隐变量随机微分建模
整合动力学知识与神经随机微分方程,基于一种新颖的潜在动力学感知 (SDE) 变分自编码器(LK-SDE),用于生成车辆运动的方法,在生成和预测任务中表现出明显优于基准方法的性能,产生逼真、物理可行且精确可控的车辆轨迹。
- 运用扩散规划合成专业篮球运动员行为
通过 PLAYBEST 方法,结合基于历史 NBA 运动跟踪数据的生成模型和价值函数,对行动轨迹进行条件采样以及分类器引导采样,生成高效的篮球战术策略,表现优异,超过传统的规划技术,适应性和灵活性更强。
- ICMLMetaDiffuser:离线 Meta-RL 的扩散模型作为条件规划器
本文提出了一种基于任务的条件扩散规划器 (MetaDiffuser) 来解决离线 meta-RL 中通用性问题,该规划器可以生成针对任务的轨迹以在各种任务间进行规划。实验结果表明 MetaDiffuser 能够表现出优异的生成轨迹能力,优于 - GPS 轨迹生成的扩散模型
本文提出基于扩散模型的轨迹生成框架 Diff-Traj,并通过轨迹 UNet (Traj-UNet) 结构提取轨迹特征,使其能视为高质量的轨迹生成应用程序,并保留原始分布。
- 交换式目标条件离线强化学习
本研究提出了一种离线目标条件强化学习方法,其中包括了通过目标交换产生其他轨迹,以及一个名为确定性 Q - 优势策略梯度的算法,它能够降低噪声和推断误差,与现有的离线目标条件强化学习的方法相比在广泛的基准测试中表现优异,且在具有挑战性的手部操 - AAAI基于双阶段 GAN 的连续轨迹生成
本文提出了一种名为 TS-TrajGen 的新颖的两级生成对抗框架,它有效地将人类移动性问题的先前领域知识与无模型学习范例相结合,用于生成道路网络上的连续轨迹,并通过两个真实世界数据集和两个案例研究验证了该方法的有效性。