Holistic Transformer: A Joint Neural Network for Trajectory Prediction and Decision-Making of Autonomous Vehicles
Jilin University(吉林大学)
轨迹预测和行为决策是自动驾驶汽车的两项重要任务,需要对环境背景有很好的理解;通过参考轨迹预测的输出,可以更好地做出行为决策。然而,大多数当前的解决方案分别执行这两个任务。因此,一个联合神经网络,结合多种线索,提出并命名为整体Transformer预测轨迹,并作出行为决策的同时。为了更好地挖掘线索之间的内在关系,该网络利用已有知识,采用了三种注意力机制:稀疏多头机制,用于降低噪声影响;特征选择稀疏机制,用于优化利用部分先验知识;与其他弹道预测模型相比,该模型具有更好的综合性能和良好的可解释性。感知噪声鲁棒性实验表明,该模型具有良好的噪声鲁棒性。因此,结合多个线索的同时轨迹预测和行为决策可以降低计算成本并增强场景和代理之间的语义关系。
2022-06-17 cs.AI cs.LG cs.RO
GISNet: Graph-Based Information Sharing Network For Vehicle Trajectory Prediction
Department of Engineering and Computer Science, Syracuse University(锡拉丘兹大学工程与计算机科学系);Syracuse University(锡拉丘兹大学)
轨迹预测是自动驾驶系统设计中的一个关键且具有挑战性的问题。许多面向人工智能的公司,如谷歌Waymo,Uber和DiDi,正在研究更准确的车辆轨迹预测算法。然而,预测性能是由很多纠缠的因素,如周围车辆的随机行为,历史信息的自我轨迹,和相对位置的邻居,在本文中,我们提出了一种新的基于图的信息共享网络(GISNet),允许目标车辆和周围车辆之间的信息共享。同时,该模型对场景中所有车辆的历史轨迹信息进行编码。在公开的NGSIM US-101和I-80数据集上进行了实验,并通过均方根误差(RMSE)来衡量预测性能。定量和定性的实验结果表明,我们的模型显着提高了轨迹预测精度,高达50.00%,相比现有的模型。
2020-03-22 cs.AI cs.CV cs.LG
Mind the Noise: Sensitivity of Transformer-based Interaction-Aware Trajectory Prediction Models to Noisy Data
Networked Systems Lab, Universidad Miguel Hernandez de Elche(网络系统实验室,米格尔·洪德斯大学)
研究基于Transformer的交互感知轨迹预测模型在噪声数据下的性能退化,发现预测精度在低噪声下降低1.3倍,高噪声下降低3.9倍,强调需要更真实的训练数据和噪声缓解策略。
2026-06-23 cs.AI cs.LG cs.RO
Multi-Vehicle Trajectory Prediction at Intersections using State and Intention Information
Technical University of Munich(慕尼黑工业大学)
传统的方法来预测未来的轨迹的道路代理依赖于知道他们的过去轨迹的信息。这项工作只依赖于了解当前状态和预期方向,以预测交叉口处的多辆车。此外,车辆之间的信息传递为每个车辆提供了环境的更全面的概览,从而允许更明智的预测。这是通过训练一个神经网络来完成的,该神经网络采用多个车辆的状态和意图来预测它们的未来轨迹。使用意图作为输入允许我们的方法扩展到另外控制多个车辆朝向期望路径行驶。实验结果表明,我们的方法在轨迹预测和交叉口车辆控制方面的鲁棒性。此工作的完整培训和评估代码可在此处获得:\url{https://github.com/Dekai21/Multi_Agent_Intersection}。
2023-01-06 cs.AI cs.RO
Multimodal Trajectory Prediction via Topological Invariance for Navigation at Uncontrolled Intersections
University of Washington(华盛顿大学)
我们专注于分散导航之间的多个非通信理性代理在\emph{uncontrolled}交叉口,即,没有交通标志或信号的街道交叉口。避免这些领域中的冲突依赖于智能体可靠地预测彼此意图并快速做出反应的能力。多智能体轨迹预测是NP难的,而现有的数据驱动方法的样本复杂性限制了它们的适用性。我们的关键见解是,交叉点的几何结构和智能体有效移动和避免碰撞(理性)的激励减少了可能行为的空间,有效地缓解了轨迹预测的问题。在本文中,我们崩溃的多智能体轨迹在一个交叉点的空间成一组代表不同类别的多智能体行为的模式,形式化使用拓扑不变性的概念。基于这种形式主义,我们设计了多拓扑预测(MTP),数据驱动的概率预测机制,重建轨迹表示的高似然模式在多智能体交叉场景。我们表明,MTP在具有挑战性的模拟数据集上的预测准确率为78.24%,优于最先进的多模态轨迹预测基线(MFP)。最后,我们表明,MTP使我们的优化为基础的规划,MTPnav,实现无碰撞和时间效率的导航在各种具有挑战性的交叉路口的情况下,CARLA模拟器。
2020-11-08 cs.AI cs.LG cs.MA
Interaction-Aware Personalized Vehicle Trajectory Prediction Using Temporal Graph Neural Networks
InfoTech Labs, Toyota Motor North America R&D(丰田汽车北美研发中心信息技术实验室)
针对通用车辆轨迹预测忽视个体驾驶风格的问题,提出融合GCN与LSTM并经大规模预训练和驾驶员微调的交互感知个性化方法,提升了长时域预测精度。
2023-08-16 cs.AI cs.CV cs.LG
Pivot-Centric Trajectory Prediction: Bridging Long Horizons via Dynamical Guidance
针对长时程轨迹预测的误差累积问题,本文提出PCTP方法,通过引入枢轴点解耦预测任务,提升了主流模型在Argoverse数据集上的预测精度,且可灵活集成到现有模型中。
2026-08-05 cs.AI cs.RO
LOKI: Long Term and Key Intentions for Trajectory Prediction
Honda Research Institute USA(本田美国研究所);University of California, Berkeley(加州大学伯克利分校);Honda R&D Co., Ltd.(本田技术研究所)
轨迹预测的最新进展表明,关于智能体意图的显式推理对于准确预测其运动是重要的。然而,目前的研究活动并不直接适用于智能和安全关键系统。这主要是因为很少有公共数据集可用,并且它们仅从有限的自我中心观点考虑短时间内的特定意图。为此,我们提出了LOKI(LONG术语和关键意图),这是一种新型的大规模数据集,旨在解决自动驾驶环境中异构交通代理(行人和车辆)的联合轨迹和意图预测。LOKI数据集的创建是为了发现可能影响意图的几个因素,包括i)代理人自己的意愿,ii)社会互动,iii)环境约束,以及iv)上下文信息。我们还提出了一个模型,联合执行轨迹和意图预测,表明递归推理的意图可以帮助轨迹预测。我们表明,我们的方法优于国家的最先进的轨迹预测方法高达$27\%$,也提供了一个基线帧明智的意图估计。
2021-09-17 cs.AI cs.CV cs.LG
Exploring Transformer-Augmented LSTM for Temporal and Spatial Feature Learning in Trajectory Prediction
University of Tennessee(田纳西大学)
本文提出一种结合LSTM与Transformer编码器的混合模型,用于车辆轨迹预测的时空特征学习,虽未超越现有LSTM方法,但展示了构建可解释预测模型的潜力。
2024-12-18 cs.CV cs.LG cs.RO
Conditional Goal-oriented Trajectory Prediction for Interacting Vehicles with Vectorized Representation
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Baidu Inc.(百度公司)
本文旨在解决交互行为预测任务,并提出了一种新的条件目标导向的轨迹预测(CGTP)框架,共同生成场景兼容的轨迹的两个交互代理。我们的CGTP框架是一个端到端和可解释的模型,包括三个主要阶段:上下文编码,目标交互预测和轨迹交互预测。首先,一个目标的兴趣网络(GoINet)的设计,以提取代理到代理和代理到目标之间的交互功能,使用基于图形的矢量化表示。此外,条件目标预测网络(CGPNet)专注于通过边际和条件目标预测器的组合形式进行目标交互预测。最后,目标导向的轨迹预测网络(GTFNet)提出了实现轨迹交互预测通过条件目标导向的预测器,预测的未来状态的其他交互代理作为输入。此外,一个新的目标交互损失的开发,以更好地学习两个交互代理之间的目标候选人的联合概率分布。最后,在Argoverse运动预测数据集、In-house切入数据集和Waymo开放运动数据集上进行了实验。比较结果表明,我们提出的CGTP模型优于主流的预测方法的性能。
2022-10-19 cs.AI cs.RO
Leveraging Smooth Attention Prior for Multi-Agent Trajectory Prediction
Stanford University(斯坦福大学);Toyota Research Institute(丰田研究所)
多智能体交互对于预测其他智能体的行为和轨迹的建模是重要的。在某个时候,为了预测合理的未来轨迹,每个智能体只需要关注与一小群最相关的智能体的交互,而不是不必要地关注所有其他智能体。然而,现有的注意力建模工作忽略了人类在驾驶中的注意力不会迅速变化,并且可能会在时间步长上引入波动的注意力。在本文中,我们制定了一个注意力模型的基础上,多智能体的相互作用的总变化时间平滑先验,并提出了一个轨迹预测架构,利用这些出席的相互作用的知识。我们演示了总变化注意力先验以及新的序列预测损失项如何导致多智能体轨迹预测的更平滑的注意力和更有效的样本学习,并通过将其与合成和自然驾驶数据的最新方法进行比较,显示其在预测准确性方面的优势。我们在我们的网站上展示了我们的算法在INTERACTION数据集上进行轨迹预测的性能。
2022-03-19 cs.LG cs.RO
Pedestrian Trajectory Prediction with Missing Data: Datasets, Imputation, and Benchmarking
针对现有行人轨迹预测数据集与方法忽略现实中轨迹缺失的问题,本研究构建了含均匀分布缺失坐标的TrajImpute数据集,测试了多种插补方法并基准测试了预测模型在插补轨迹上的性能,为相关研究提供基础资源。
2024-10-31 cs.CV cs.LG cs.RO
Trajectory-Prediction with Vision: A Survey
Motional(莫逊纳尔)
为了规划一条安全有效的路线,自动驾驶汽车需要预测周围智能体的未来轨迹,轨迹预测是一项极具挑战性的任务,近年来在自动驾驶汽车研究领域引起了广泛的关注。轨迹预测预测场景中所有动态代理的当前和过去状态的未来状态。一个好的预测模型可以防止道路上的碰撞,因此自动驾驶汽车的最终目标是:碰撞率:每百万英里的碰撞。本文的目的是提供一个概述的字段故障预测。我们将相关的算法分为不同的类,以便研究人员可以遵循的趋势,在故障预测研究领域。此外,我们还触及的背景知识需要制定一个概率预测问题。
2023-03-15 cs.CV cs.RO
Characterized Diffusion Networks for Enhanced Autonomous Driving Trajectory Prediction
Xiamen University Malaysia(马来西亚厦门大学)
本文提出结合特征化扩散模块与时空交互网络的轨迹预测模型,通过不确定性估计和智能体交互建模,在NGSIM、HighD和MoCAD上显著超越现有方法,提升复杂交通场景下的预测精度。
2024-11-25 cs.AI cs.RO
Conditional Generative Neural System for Probabilistic Trajectory Prediction
University of California, Berkeley(加州大学伯克利分校)
对环境的有效理解和周围动态障碍物的准确轨迹预测对于自主车辆和轮式移动机器人等智能系统在复杂场景中导航以实现安全和高质量的决策、运动规划和控制至关重要。由于未来的不确定性,人们希望从概率的角度进行推断,而不是确定性的预测。本文提出了一种用于概率轨迹预测的条件生成神经系统(CGNS)来逼近数据分布,可以采样现实、可行且多样化的未来轨迹假设。该系统结合了条件潜在空间学习和变分发散最小化的优势,并利用静态上下文和交互信息与软注意力机制。我们还提出了一种正则化方法,用于将软约束纳入具有可微障碍函数的深度神经网络中,该方法可以调节并将生成的样本推入可行区域。建议的系统进行评估,在几个公共基准数据集的行人轨迹预测和一个环岛自然驾驶数据集收集我们自己。实验结果表明,我们的模型实现了更好的性能比各种基线方法的预测精度。
2019-07-28 cs.AI cs.CV cs.LG
CoverNet: Multimodal Behavior Prediction using Trajectory Sets
Caltech(加州理工学院);nuTonomy, an Aptiv company(nuTonomy(安波福公司))
我们提出了CoverNet,这是一种用于城市驾驶的多模态概率轨迹预测的新方法。以前的工作采用了各种方法,包括多模态回归,占用地图,和一步随机政策。相反,我们将轨迹预测问题框架为对不同轨迹集的分类。由于在合理的预测范围内可以采取的不同行动数量有限,因此该集合的大小仍然是可管理的。我们构造轨迹集以a)确保状态空间的期望覆盖水平,以及b)消除物理上不可能的轨迹。通过动态生成轨迹集的基础上代理的当前状态,我们可以进一步提高我们的方法的效率。我们在公共的、真实的自动驾驶数据集上展示了我们的方法,并表明它优于最先进的方法。
2020-04-01 cs.LG cs.RO stat.ML
Trajectory Prediction for Vehicle Conflict Identification at Intersections Using Sequence-to-Sequence Recurrent Neural Networks
冲突指标形式的替代安全措施是主动交通安全工具箱中不可或缺的组成部分。冲突指标可以分为基于过去轨迹的冲突和基于预测轨迹的冲突。虽然前一类冲突的计算是确定性的和明确的,后一类是使用预测的车辆轨迹计算的,因此更具随机性。因此,基于预测的冲突的准确性取决于所使用的轨迹预测算法的准确性。轨迹预测可能是一项具有挑战性的任务,特别是在车辆机动多样的交叉口。此外,由于与道路使用者轨迹提取管线有关的限制,在冲突分析期间车辆的精确几何表示是一项具有挑战性的任务。错误的几何图形扭曲了观察中车辆之间的真实距离。提出了一种基于预测的冲突识别方法。开发了一个序列到序列的递归神经网络,以连续预测未来车辆的轨迹,最多提前3秒。此外,使用CitySim数据集对所提出的网络进行了训练,以预测未来的车辆位置和航向,以便于预测未来的边界框,从而保持准确的车辆几何表示。实验结果表明,该方法优于常用的轨迹预测模型在交叉口的冲突分析。比较了基于车辆边界框和常用车辆中心点的碰撞时间(TTC)识别方法。与限界框方法相比,中心点方法往往无法识别TTC冲突或低估了它们的严重性。
2022-10-13 cs.AI cs.RO
Stochastic Trajectory Prediction under Unstructured Constraints
School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Macau University of Science and Technology(澳门科技大学)
针对非结构化约束缺乏可微形式化定义的问题,本文提出条件扩散方法 CTD,通过预训练评分模型量化轨迹约束符合度并引导轨迹生成,在 ETH/UCY 与 SDD 上实现高精度。
2025-03-18 cs.AI cs.RO
Learning Interaction-Aware Trajectory Predictions for Decentralized Multi-Robot Motion Planning in Dynamic Environments
Delft University of Technology(代尔夫特理工大学)
针对动态环境下的多机器人运动规划问题,提出了一种数据驱动的分散轨迹优化方法。当在共享空间中导航时,每个机器人都需要对相邻机器人的运动进行准确的预测,以实现预测性的碰撞避免。这些运动预测可以在机器人之间通过经由通信彼此共享它们的未来规划轨迹来获得。然而,这种通信在实践中可能无法获得,也不可靠。在本文中,我们介绍了一种新的轨迹预测模型的基础上循环神经网络(RNN),可以学习多机器人的运动行为,从演示轨迹使用集中式顺序规划器生成。学习的模型可以为每个机器人有效地在线运行,并根据其历史状态的观察提供其邻居的交互感知轨迹预测。然后,我们将轨迹预测模型到一个分散的模型预测控制(MPC)框架的多机器人避碰。仿真结果表明,我们的分散式方法可以实现一个集中式规划器的性能相当的水平,同时是通信自由和可扩展到大量的机器人。我们还验证了我们的方法与现实世界的实验中的四旋翼团队。
2021-02-23 cs.LG cs.RO
KEMP: Keyframe-Based Hierarchical End-to-End Deep Model for Long-Term Trajectory Prediction
Waymo;UCLA(加州大学洛杉矶分校);MIT(麻省理工学院)
预测道路智能体的未来轨迹是自动驾驶的关键任务。最近基于目标的轨迹预测方法,如DenseTNT和PECNet,在公共数据集上的预测任务中表现出良好的性能。然而,它们通常需要复杂的目标选择算法和优化。在这项工作中,我们提出了KEMP,一个分层的端到端的深度学习框架的轨迹预测。我们框架的核心是基于关键帧的轨迹预测,其中关键帧是描绘轨迹的大致方向的代表性状态。KEMP首先预测以道路上下文为条件的关键帧,然后填充以关键帧和道路上下文为条件的中间状态。在我们的一般框架下,目标条件方法是关键帧数量等于1的特殊情况。与目标条件方法不同,我们的关键帧预测器是自动学习的,不需要手工制作的目标选择算法。我们在公共基准上评估了我们的模型,我们的模型在Waymo开放运动数据集排行榜上排名第一(截至2021年9月1日)。
2022-05-10 cs.AI cs.CV cs.LG
X-TRACK: Physics-Aware xLSTM for Realistic Vehicle Trajectory Prediction
提出基于xLSTM的物理感知轨迹预测框架X-TRACK,通过集成车辆运动学约束生成真实可行的高速轨迹,在highD和NGSIM数据集上达到先进水平。
2026-05-22 cs.LG cs.RO
GAMDTP: Dynamic Trajectory Prediction with Graph Attention Mamba Network
Shanghai Institute of Technology(上海应用技术大学)
本文提出GAMDTP,通过门控机制融合自注意力与mamba-ssm,结合评分机制优化两阶段框架,在Argoverse数据集上实现动态轨迹预测的最先进性能。
2025-04-07 cs.AI cs.RO
Evidential Uncertainty Estimation for Multi-Modal Trajectory Prediction
Mercedes-Benz AG(梅赛德斯-奔驰公司);University of Freiburg(弗赖堡大学);TU Delft(代尔夫特理工大学)
本文提出一种基于证据深度学习的多模态轨迹预测方法,通过正态逆伽马分布和狄利克雷分布分别估计位置与模式不确定性,实现单次前向传播实时推理,并在Argoverse数据集上验证了其可靠性与精度。
2025-03-07 cs.AI cs.RO
Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein Graph Double-Attention Network
University of California, Berkeley(加利福尼亚大学伯克利分校)
对环境的有效理解和周围动态障碍物的准确轨迹预测对于智能移动系统(如自动驾驶汽车和社交机器人)在高度交互和拥挤的场景中导航时实现安全和高质量的规划是必不可少的。由于场景演化中存在频繁的交互和不确定性,因此期望预测系统能够对不同实体进行关系推理,并为每个代理提供未来轨迹的分布。在本文中,我们提出了一个通用的生成神经系统(称为社会WaGDAT)的多智能体轨迹预测,这使得一步明确的交互建模,将关系归纳偏见与动态图形表示,并利用轨迹和场景上下文信息。我们还采用了一个有效的运动约束层应用于车辆轨迹预测,不仅确保物理可行性,但也提高了模型的性能。该系统在三个公共基准数据集上进行了评估,用于轨迹预测,其中代理涵盖行人,骑自行车者和道路车辆。实验结果表明,我们的模型实现了更好的性能比各种基线方法的预测精度。
2020-02-14 cs.CV cs.LG cs.MA
AVGCN: Trajectory Prediction using Graph Convolutional Networks Guided by Human Attention
Hong Kong University of Science and Technology(香港科技大学)
行人轨迹预测是一项关键而又具有挑战性的任务,特别是在拥挤的场景中。我们建议,引入一个注意力机制来推断不同的邻居的重要性是至关重要的准确的轨迹预测场景中的人群规模变化。在这项工作中,我们提出了一种新的方法,AVGCN,轨迹预测利用图卷积网络(GCN)的基础上人类的注意力(A表示注意力,V表示视野的限制)。首先,我们训练一个注意力网络,估计邻近行人的重要性,使用收集的目光数据作为主体执行鸟瞰人群导航任务。然后,我们将学习到的注意力权重调制行人的视野上的约束到一个轨迹预测网络,使用GCN聚合信息的邻居有效。AVGCN还考虑了行人轨迹的随机性,利用变化的轨迹预测。我们的方法在几个轨迹预测基准上实现了最先进的性能,并且在所有考虑的基准上具有最低的平均预测误差。
2021-01-14 cs.CV cs.RO
Polynomial Trajectory Predictions for Improved Learning Performance
Aptiv Services Deutschland GmbH(安波福德国服务有限公司);University of Wuppertal(伍珀塔尔大学)
汽车应用中对主动安全系统的需求不断增长,强调了对可靠的短期到中期轨迹预测的需求。预测道路使用者的展开路径,可以采取行动来增加整体安全性。在这项工作中,我们建议训练人工神经网络的运动理解预测轨迹的自然形式,作为时间的函数。预测多项式系数使我们能够提高准确性和提高概括性。
2021-06-16 cs.CV cs.LG cs.RO
Traj-VLN: Learning Pixel-Space Interaction via Autoregressive Trajectory Generation
Southern University of Science and Technology(南方科技大学);Peng Cheng National Laboratory(鹏城国家实验室);Guangdong University of Technology(广东工业大学)
研究连续环境中视觉与语言导航问题,提出通过自回归轨迹生成在2D像素空间微调视觉语言模型来学习导航交互的方法,实验验证该方法能显著提升性能,旗舰模型在有限资源和数据下达最优水平。
2026-08-25 cs.CV cs.RO
Joint Pedestrian Trajectory Prediction through Posterior Sampling
Tsinghua University(清华大学);Carnegie Mellon University(卡内基梅隆大学);University of California, Berkeley(加利福尼亚大学伯克利分校)
本文提出 GFTD 扩散模型框架,通过学习联合完整轨迹分布并结合后验采样,在无需额外训练的情况下提升噪声与缺失数据下的行人轨迹预测鲁棒性和可控生成能力。
2024-09-03 cs.RO
Lifelong Vehicle Trajectory Prediction Framework Based on Generative Replay
University of Science and Technology of China(中国科学技术大学)
准确的车辆轨迹预测对于可靠的自动驾驶至关重要。为了使车辆在不同城市行驶时保持一致的性能,适应不断变化的交通环境并实现终身轨迹预测模型至关重要。要实现这一点,灾难性遗忘是一个需要解决的主要问题。本文首先提出了一种基于条件Kullback-Leibler发散度的发散度度量方法,用于评价不同驾驶环境下的时空依赖性差异。然后基于生成重放,提出了一种新的终身车辆轨迹预测框架。该框架由条件生成模型和车辆轨迹预测模型组成。条件生成模型是以车辆位置配置为条件的生成对抗网络。在学习和合并不同城市的车辆轨迹分布后,生成模型以先前采样作为输入重放轨迹,从而消除了灾难性遗忘。车辆轨迹预测模型通过重放轨迹进行训练,并在访问过的城市中实现一致的预测性能。在四个开放数据集上建立了包括五个任务的终身实验设置。计算了不同任务的时空依赖发散度。即使这些分歧,所提出的框架表现出终身学习的能力,并在所有任务上实现一致的性能。
2021-11-15 cs.RO
Manipulating Trajectory Prediction with Backdoors
EPFL(洛桑联邦理工学院)
本文研究了轨迹预测模型中的后门攻击威胁,提出四种触发器并证实最先进模型在保持良性性能的同时易受后门操纵,最后评估了多种防御措施。
2024-01-03 cs.CR cs.LG cs.RO
TrajEvo: Designing Trajectory Prediction Heuristics via LLM-driven Evolution
KAIST(韩国科学技术院);OMELET;UC Riverside(加州大学河滨分校)
TrajEvo利用LLM驱动的进化算法自动设计轨迹预测启发式方法,通过跨代精英采样和统计反馈循环提升性能,在ETH-UCY和SDD数据集上优于现有启发式与深度学习方法。
2025-05-07 cs.AI cs.NE cs.RO
Vision-based Multi-future Trajectory Prediction: A Survey
School of Computer Science and Engineering, University of New South Wales(新南威尔士大学计算机科学与工程学院)
本文首次综述基于视觉的多未来轨迹预测(MTP),提出独特分类法,全面分析框架、数据集与评估指标,并在ForkingPath数据集上实验,探讨未来研究方向。
2025-03-26 cs.CV cs.LG cs.RO
Vehicle Trajectory Prediction via Neural Fusion of Multiple EKF-Based Trajectory Candidates
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院(KAIST))
本研究提出一种融合Trajectron++与多EKF轨迹候选的框架,在nuScenes上使平均和最终位移误差分别降低13.7%和14.6%,提升物理可行性。
2026-09-18 cs.RO
DROGON: A Trajectory Prediction Model based on Intention-Conditioned Behavior Reasoning
Honda Research Institute, USA(美国本田研究院);Sungkyunkwan University(成均馆大学)
我们提出了一个深度鲁棒目标导向的轨迹预测网络(DROGON),通过考虑车辆在交通场景中的行为意图来精确预测车辆轨迹。我们的主要观点是,行为(即,运动)可以从驾驶员的高级可能目标(即,在路上的意图。为了成功地进行这种行为推理,我们建立了一个条件预测模型来预测目标导向的轨迹,包括以下几个阶段:(i)关系推理,我们使用感知上下文对车辆的关系交互进行编码;(ii)意图估计,根据推断的关系计算意图目标的概率分布;以及(iii)行为推理,其中我们将车辆的行为推理为以意图为条件的轨迹。为此,我们将所提出的框架扩展到行人轨迹预测任务,显示出对一般轨迹预测的潜在适用性。
2020-11-06 cs.CV cs.RO
A Survey on Deep-Learning Approaches for Vehicle Trajectory Prediction in Autonomous Driving
The Chinese University of Hong Kong(香港中文大学);Southern University of Science and Technology(南方科技大学);Shenzhen Research Institute of the Chinese University of Hong Kong(香港中文大学深圳研究院)
随着机器学习的快速发展,自动驾驶成为热点问题,对更智能的感知和规划系统提出了迫切需求。自动驾驶汽车可以通过精确预测周围车辆的未来轨迹来避免交通事故。在这项工作中,我们回顾和分类现有的基于学习的轨迹预测方法从表示,建模和学习的角度。此外,我们在https://github.com/Henry1iu/TNT-Trajectory-Predition上公开了我们的Target-driveN Trajectory Prediction实现,展示了其出色的性能,而其原始代码被保留。本文的研究成果对提高弹道预测性能具有一定的启示作用。
2021-10-29 cs.RO
BiTraP: Bi-directional Pedestrian Trajectory Prediction with Multi-modal Goal Estimation
University of Michigan(密歇根大学)
行人轨迹预测是机器人应用中的一项重要任务,如自动驾驶和机器人导航。最先进的轨迹预测器使用具有递归神经网络(RNN)的条件变分自编码器(CVAE)来编码观察到的轨迹并解码多模态未来轨迹。这个过程可能会在长预测范围(>=2秒)内出现累积误差。提出了一种基于CVAE的目标条件双向多模态弹道预测方法BiTraP。BiTraP估计轨迹的目标(终点),并引入了一种新的双向解码器,以提高长期轨迹预测的准确性。大量的实验表明,BiTraP可以推广到第一人称视角(FPV)和鸟瞰视角(BEV)场景,并且比最先进的结果高出约10- 50%。我们还表明,不同的选择非参数与参数目标模型的CVAE直接影响预测的多模态轨迹分布。这些结果提供了指导的轨迹预测器设计的机器人应用,如防撞和导航系统。
2020-11-16 cs.CV cs.RO
Context-aware Multi-task Learning for Pedestrian Intent and Trajectory Prediction
Aalto University(阿尔托大学);Finnish Center for Artificial Intelligence(芬兰人工智能中心)
提出PTINet网络,通过结合历史轨迹、局部和全局上下文特征联合学习行人的轨迹与意图预测,在JAAD和PIE数据集上优于现有模型,为自动驾驶系统与行人的无缝交互奠定基础。
2024-07-24 cs.CV cs.RO
CoPAD : Multi-source Trajectory Fusion and Cooperative Trajectory Prediction with Anchor-oriented Decoder in V2X Scenarios
School of Automation, Southeast University, Nanjing, China(自动化学院,东南大学,南京,中国);Key Laboratory of Measurement and Control of Complex Systems of Engineering, Ministry of Education, Nanjing, China(工程复杂系统测量与控制关键实验室,教育部,南京,中国)
本文提出轻量级协同轨迹预测框架CoPAD,通过匈牙利算法与卡尔曼滤波融合多源轨迹,结合PTA、模式注意力模块和锚点导向解码器,在DAIR-V2X-Seq数据集上达到最先进性能。
2025-09-19 cs.CV cs.MA cs.RO
Adaptable Human Intention and Trajectory Prediction for Human-Robot Collaboration
Peking University(北京大学);Carnegie Mellon University(卡内基梅隆大学);Georgia Institute of Technology(佐治亚理工学院)
为了实现安全、高效的人机协作,对人类行为进行高保真预测至关重要。做出准确预测的挑战在于人类行为的随机性和异质性。本文介绍了一种通过多任务模型来预测人的轨迹和意图的方法,该模型适用于不同的人类主体。提出了一种非线性递归最小二乘参数自适应算法(NRLS-PAA)实现在线自适应。实验结果验证了该方法的有效性和灵活性。特别是,在线自适应可以将新的人类受试者的轨迹预测误差减少28%以上。所提出的人类预测方法具有高度的灵活性、数据效率和通用性,可以支持快速集成HRC系统以完成用户指定的任务。
2019-09-11 cs.RO
Topological Trajectory Prediction with Homotopy Classes
在复杂环境中的轨迹预测是许多重要机器人任务的关键,如自主导航。然而,有无限多的可能轨迹需要考虑。为了简化考虑中的轨迹的空间,我们利用同伦类划分成可数许多数学等价类的空间。类内的所有成员相对于环境表现出相同的高级运动,即,在障碍物上方或下方行进。这允许在识别其同伦类的稀疏标签方面对轨迹进行高级预测。因此,我们提出了一个轻量级的学习框架的基础上可变阶马尔可夫过程学习和预测同伦类,从而高层次的代理运动。通过用我们的同伦类预测来通知高斯混合模型(GMM),与真实数据集上的朴素GMM相比,我们在低级轨迹预测方面有了很大的改进。
2023-01-24 cs.RO
Graph and Recurrent Neural Network-based Vehicle Trajectory Prediction For Highway Driving
Nanyang Technological University(南洋理工大学);University of Oxford(牛津大学)
将轨迹预测集成到模块化自动驾驶系统的决策和规划模块中,有望提高自动驾驶车辆的安全性和效率。然而,车辆的未来轨迹预测是一个具有挑战性的任务,因为它是由相邻车辆的社会互动行为的影响,和相邻车辆的数量可以在不同的情况下变化。本文提出了一种基于GNN-RNN的编码器-解码器网络用于交互感知轨迹预测,其中使用RNN从车辆的历史轨迹中提取车辆的动态特征,车辆间的交互由有向图表示并使用GNN编码。GNN的并行性意味着所提出的方法有可能同时预测多个车辆的轨迹。从NGSIM US-101数据集提取的数据集上的评估表明,所提出的模型是能够预测目标车辆的轨迹的情况下,与周围的车辆数量可变。
2021-07-08 cs.RO
Interaction-Aware Trajectory Prediction and Planning in Dense Highway Traffic using Distributed Model Predictive Control
Chalmers University of Technology(查尔姆斯理工大学)
针对密集交通中自动驾驶车辆的最优轨迹规划问题,提出一种结合分布式模型预测控制、耦合多智能体环境下轨迹预测与规划的新型框架,经仿真验证,其局部最优解优于解耦的预测规划方法。
2023-08-24 cs.RO cs.SY eess.SY
Comparison of Pedestrian Prediction Models from Trajectory and Appearance Data for Autonomous Driving
Five AI (Bosch UK)(Five AI(博世英国));University of Edinburgh(爱丁堡大学)
本文比较了自动驾驶中仅用轨迹与结合外观数据的行人预测方法,基于NuScenes构建新数据集实验,发现外观信息虽有优势但受数据集限制,并提出改进方案以充分挖掘外观模型潜力。
2023-05-25 cs.CV cs.RO
A survey on robustness in trajectory prediction for autonomous vehicles
Department of Cognitive Robotics(认知机器人学系);Delft Center for Systems and Control, TU Delft(代尔夫特理工大学代尔夫特系统与控制中心)
本文综述自动驾驶轨迹预测模型的鲁棒性研究,提出综合框架评估数据切片、扰动技术、架构更改和训练后调整等方法,以应对模型过拟合问题并提升驾驶安全性。
2024-04-20 cs.RO
Certified Human Trajectory Prediction
EPFL(苏黎世联邦理工学院);Apple(苹果公司)
针对人类轨迹预测缺乏可保证鲁棒性的问题,提出一种处理无界输出与多模态的认证方法,并结合扩散去噪器和新指标,实验证明其兼具准确性与鲁棒性。
2025-06-06 cs.CV cs.RO
Hilbert Space Embedding-based Trajectory Optimization for Multi-Modal Uncertain Obstacle Trajectory Prediction
IIIT-Hyderabad(海得拉巴国际信息技术学院);University of Tartu(塔尔图大学)
针对多模态障碍物轨迹预测,提出基于RKHS嵌入的轨迹优化器,通过样本选择和分布匹配实现安全高效规划,并在真实数据上验证改进。
2023-10-12 cs.RO
TNT: Target-driveN Trajectory Prediction
Waymo LLC(Waymo有限责任公司);Google Research(谷歌研究院)
预测移动代理的未来行为对于现实世界的应用是必不可少的。这是具有挑战性的代理和相应的行为的意图是未知的,本质上是多模态的。我们的关键见解是,对于在适度的时间范围内的预测,未来的模式可以有效地捕获一组目标状态。这导致了我们的目标驱动轨迹预测(TNT)框架。TNT有三个阶段,都是端到端培训的。它首先预测代理的潜在目标状态$T$步骤到未来,通过编码其与环境和其他代理的交互。TNT然后生成以目标为条件的轨迹状态序列。最后阶段估计轨迹似然性,并选择轨迹预测的最终紧凑集合。这与以前的工作不同,以前的工作将代理意图建模为潜在变量,并依赖于测试时采样来生成不同的轨迹。我们在车辆和行人的轨迹预测方面对TNT进行了基准测试,其中我们在Argoverse Forecasting,INTERACTION,Stanford Drone和内部行人交叉口数据集上的表现优于最先进的技术。
2020-08-21 cs.CV cs.RO
Trajectory Adaptive Prediction for Moving Objects in Uncertain Environment
University of South China(南华大学)
现有的轨迹预测方法难以准确描述复杂不确定环境下的运动目标轨迹。针对这一问题,提出了一种动态环境下基于变分高斯混合模型的运动目标自适应轨迹预测方法。首先,在传统混合高斯模型的基础上,在模型训练过程中,采用近似变分贝叶斯推理方法对混合高斯分布进行处理。其次,采用变分贝叶斯期望最大化迭代学习模型参数,并利用先验信息得到更精确的预测模型。最后,对于输入轨迹,采用参数自适应选择算法自动调整参数组合。实验结果表明,ESATP方法在实验中表现出较高的预测精度,并保持了较高的时间效率。该模型可应用于移动车辆定位产品中。
2022-12-13 cs.NI cs.RO
Towards Robust Human Trajectory Prediction in Raw Videos
Pennsylvania State University(宾夕法尼亚州立大学)
由于其在自动驾驶汽车和室内机器人等应用中的重要性,人体轨迹预测最近受到越来越多的关注。然而,大多数现有的方法基于人类标记的轨迹进行预测,忽略了检测和跟踪中的误差和噪声。在本文中,我们研究了原始视频中的人体轨迹预测问题,并表明预测精度会受到各种类型的跟踪误差的严重影响。因此,我们提出了一个简单而有效的策略,以纠正跟踪失败,随着时间的推移,强制执行预测一致性。所提出的“重新跟踪”算法可以应用于任何现有的跟踪和预测管道。在公共基准数据集上的实验表明,该方法可以提高具有挑战性的现实世界场景中的跟踪和预测性能。代码和数据可在https://git.io/retracking-prediction上获得。
2021-08-18 cs.CV cs.RO
Golfer: Trajectory Prediction with Masked Goal Conditioning MnM Network
DiDi Research(滴滴研究院)
Transformers已经在NLP和计算机视觉方面取得了突破性进展,最近开始在自动驾驶汽车(AV)的轨迹预测方面表现出良好的性能。如何有效地建模自我代理和其他道路和动态对象之间的交互关系仍然具有挑战性的标准注意力模块。在这项工作中,我们提出了一个通用的变形金刚般的架构模块MnM网络配备了新的掩蔽目标条件训练程序的AV轨迹预测。由此产生的模型名为高尔夫球手,实现了最先进的性能,在2022年Waymo开放数据集运动预测挑战赛中获得第二名,并根据minADE排名第一。
2022-07-02 cs.CV cs.RO
Self-Aware Trajectory Prediction for Safe Autonomous Driving
本文提出一种基于自感知模块和两阶段训练的轨迹预测方法,通过在线估计预测模块性能来及时应对功能不足,为实现安全可靠的自动驾驶提供了新范式。
2023-05-16 cs.CV cs.RO
Tracing the Influence of Predecessors on Trajectory Prediction
University of Twente(特温特大学)
本文提出 PnS 方法,通过追溯并概率对齐同场景中前驱者的运动模式来指导目标智能体轨迹预测,在 ETH/UCY 和 nuScenes 上分别实现行人预测最优性能及不依赖地图的车辆预测。
2023-08-10 cs.RO
T2FPV: Dataset and Method for Correcting First-Person View Errors in Pedestrian Trajectory Prediction
Carnegie Mellon University(卡内基梅隆大学)
预测行人运动对于开发具有社会意识的机器人在拥挤的环境中进行交互至关重要。虽然社交互动环境的自然视觉视角是以自我为中心的观点,但其中轨迹预测中的大多数现有工作纯粹是在自上而下的轨迹空间中进行研究的。为了支持第一人称视角轨迹预测研究,我们提出了T2 FPV,这是一种在给定真实世界的自上而下的轨迹数据集的情况下构建高保真第一人称视角(FPV)数据集的方法;我们在ETH/UCY行人数据集上展示了我们的方法,以生成所有交互行人的以自我为中心的视觉数据,创建了T2 FPV-ETH数据集。在这种情况下,由于不完美的检测和跟踪,遮挡和摄像机的视场(FOV)限制,会出现FPV特定的错误。为了解决这些错误,我们提出了CoFE,这是一个模块,可以通过轨迹预测算法以端到端的方式进一步细化缺失数据的插补。我们的方法减少了这种FPV误差对下游预测性能的影响,平均减少了10%以上的位移误差。为了促进研究参与,我们发布了T2 FPV-ETH数据集和软件工具。
2023-03-02 cs.CV cs.RO
Trajectory Prediction in Autonomous Driving with a Lane Heading Auxiliary Loss
University of California, San Diego(加州大学圣地亚哥分校)
预测车辆轨迹是自动驾驶车辆在复杂的城市交通场景中导航的一项基本能力。鸟瞰路线图信息为进行轨迹预测提供了有价值的信息,虽然最先进的模型通过图像卷积提取了这些信息,但辅助损失函数可以通过进一步编码社会和法律驾驶行为的常识来增强从深度学习中推断出的模式。由于人类驾驶行为本质上是多模态的,因此允许多模态输出的模型在标准度量上往往优于单一预测模型。我们提出了一个损失函数,通过对所有预测模式执行预期的驾驶规则来增强这种模型。我们的贡献轨迹预测是双重的,我们提出了一个新的度量,解决故障的情况下,越野率度量的惩罚轨迹,反对归因的航向(流向)的车道,我们表明这个度量是可微的,因此适合作为一个辅助损失函数。然后,我们使用这种辅助损失来扩展标准的多轨迹预测(MTP)和MultiPath模型,通过预测更好地符合道路车道遵循规则的轨迹,在nuScenes预测基准上实现改进的结果。
2021-01-28 cs.CV cs.RO