Pedestrian Intention Prediction via Vision-Language Foundation Models
Institute for Transport Studies, Faculty of Environment, Computer Vision and Machine Learning Group, University of Leeds(运输研究学院、环境学院、计算机视觉与机器学习小组、莱斯特大学);AI Centre, Department of Computer Science, University College London(人工智能中心、计算机科学系、伦敦大学学院)
本文提出利用视觉-语言基础模型并结合分层提示模板与自动提示工程,融合视觉帧、物理线索和自车速度等多模态信息预测行人过街意图,在JAAD、PIE和FU-PIP数据集上较传统视觉方法显著提升准确率。
2025-07-05 cs.AI cs.CV cs.ET
Interaction-Aware Decision-Making for Autonomous Vehicles in Forced Merging Scenario Leveraging Social Psychology Factors
University of Michigan(密歇根大学);Ford Research and Advanced Engineering(福特研究与高级工程中心);Excelled Tracer LLC(Excelled Tracer有限责任公司)
针对自动驾驶车辆强制汇入问题,提出融合驾驶员社会行为与个人目标的交互行为模型,并采用贝叶斯滤波与滚动时域控制实现在线意图估计和不确定性决策。
2023-09-25 cs.AI cs.RO cs.SY
Lane Attention: Predicting Vehicles' Moving Trajectories by Learning Their Attention over Lanes
Baidu USA LLC(百度美国有限责任公司);Google Research(谷歌研究院)
准确预测周围车辆的未来运动对于自动驾驶汽车的安全和高效运营至关重要。这项任务是困难的,因为车辆的移动轨迹在很大程度上取决于其驾驶员的意图,这往往是难以估计的。通过利用注意力机制以及长短期记忆(LSTM)网络,这项工作学习了驾驶员的意图与车辆相对于道路基础设施的位置变化之间的关系,并将其用于指导预测。与现有解决方案不同的是,本文将道路车道视为非欧结构,将车辆的运动历史展开形成时空图,并采用图神经网络的方法进行求解。我们的方法不仅是使用非欧几里德方法来处理预测对象周围的静态环境特征的开创性尝试,我们的模型在几个指标上也优于其他最先进的模型。该模型的实用性和可解释性分析表明,除了我们自己的大规模部署在各种自动驾驶系统的巨大潜力。
2021-01-14 cs.CV cs.LG cs.RO
Context Model for Pedestrian Intention Prediction using Factored Latent-Dynamic Conditional Random Fields
顺畅地处理行人交互是自动驾驶汽车(AV)和高级驾驶员辅助系统(ADAS)的关键要求。这样的系统要求对车辆前方行人的横穿/不横穿行为进行早期和准确的预测。现有的行人行为预测方法利用行人的运动,他/她在场景中的位置和静态的上下文变量,如交通信号灯,斑马线等,我们强调的必要性,早期预测平稳运行这样的系统。为此,我们介绍了车辆的相互作用对行人意图的影响。在本文中,我们展示了一个明显的进步,在预测时间的帮助下,包括这样的车辆相互作用的背景。我们将我们的方法应用于两个不同的数据集,一个是内部收集的NTU数据集,另一个是公开的真实基准测试JAAD数据集。我们还提出了一个通用的图形模型因子化的潜在动态条件随机场(FLDCRF)的单标签和多标签序列预测以及联合互动建模任务。在相同的时间序列特征上,FLDCRF在数据集(每个数据集$\sim$ 100个序列)上的表现优于长短期记忆(LSTM)网络。虽然现有的最好的系统预测行人停车行为与70\%的准确性0.38秒之前的实际事件,我们的系统达到这样的准确性平均至少0.9秒之前的实际事件跨数据集。
2020-09-15 cs.CV cs.RO eess.IV
Intention-based and Risk-Aware Trajectory Prediction for Autonomous Driving in Complex Traffic Scenarios
Southern University of Science and Technology(南方科技大学);Jiaxing Research Institute, Southern University of Science and Technology(南方科技大学嘉兴研究院)
针对自动驾驶轨迹预测中认知不确定性与缺乏风险意识的问题,提出融合交互、意图与风险评估模块的轨迹预测模型,在DeepAccident数据集上显著优于现有算法。
2024-09-24 cs.RO
Intention Recognition of Pedestrians and Cyclists by 2D Pose Estimation
Universitat Autònoma de Barcelona(巴塞罗那自治大学);Computer Vision Center(计算机视觉中心)
预测行人和骑自行车者等弱势道路使用者(VRU)的意图对于执行安全和舒适的驾驶操作至关重要。人类驾驶就是这种情况,因此,提供任何级别驾驶辅助的系统(从高级驾驶员辅助系统(ADAS)到全自动驾驶汽车(AV))都应考虑到这一点。在本文中,我们展示了基于单目视觉的人体姿态估计的最新进展,即那些依赖于深度卷积神经网络(CNN)的人,能够识别这种VRU的意图。在骑自行车的情况下,我们假设他们遵守交通规则,以表明未来的演习与手臂信号。在行人的情况下,没有迹象可以假设。相反,我们假设行人的行走模式允许确定他/她是否有在自我车辆的路径中横穿道路的意图,使得自我车辆必须相应地操纵(例如,减速或停止)。在本文中,我们将展示如何使用相同的方法来识别行人和骑自行车的人的意图。对于行人,我们在JAAD数据集上进行实验。对于骑自行车的人,我们没有找到类似的数据集,因此,我们通过获取和注释我们与研究社区共享的视频来创建自己的数据集。总的来说,拟议的管道提供了新的国家的最先进的结果VRU的意图识别。
2019-10-09 cs.CV cs.RO
Wind Estimation in Unmanned Aerial Vehicles with Causal Machine Learning
School of Aerospace, Transport and Manufacturing(航空航天、运输与制造学院);Cranfield University(克兰菲尔德大学)
本文提出基于因果好奇心的因果机器学习方法,仅利用无人机轨迹即可识别恒定风、切变风和湍流,为恶劣天气下的最优轨迹设计提供轻量化方案。
2024-07-01 cs.LG cs.RO
Risk-Aware Reasoning for Autonomous Vehicles
Khalifa University(哈利法大学)
大规模部署自动驾驶汽车(AV)的一个重要障碍是安全保证。由于无人驾驶汽车运行的不确定环境,如道路和天气条件,感知和传感数据的错误,以及模型的不准确性,出现了一些技术挑战。在本文中,我们提出了一个系统架构的风险意识自动驾驶汽车能够推理的不确定性和故意限制碰撞的风险低于给定的阈值。我们讨论了该领域的主要挑战,突出了最近的研究进展,并提出了未来的研究方向在三个子系统。第一,感知子系统,检测场景中的对象,同时量化由不同的传感和通信模式产生的不确定性。第二,意图识别子系统,预测驾驶风格和代理车辆(和行人)的意图。第三,一个规划子系统,考虑到不确定性,从感知和意图识别子系统,并传播到控制政策,明确限制碰撞的风险。我们相信,这种白盒方法对于未来大规模采用自动驾驶汽车至关重要。
2019-10-06 cs.AI cs.RO
Feature Importance in Pedestrian Intention Prediction: A Context-Aware Review
Institute for Transport Studies, University of Leeds(利兹大学交通研究所);University College London(伦敦大学学院)
针对行人意图预测中DNN可解释性不足的问题,提出上下文感知置换特征重要性方法CAPFI,在PIE数据集上验证了行人边界框、自车速度的关键作用,并提出接近变化率的特征表征以提升预测效果。
2024-09-11 cs.AI cs.CV cs.LG
PORCA: Modeling and Planning for Autonomous Driving among Many Pedestrians
National University of Singapore(新加坡国立大学);University of Maryland at College Park(马里兰大学帕克分校)
提出了一种多行人自动驾驶规划系统。我们的方法的一个关键组成部分是PORCA,行人运动预测模型,占行人的全球导航意图和本地与车辆和其他行人的相互作用。不幸的是,自动驾驶车辆不知道行人的意图先验,并需要规划算法,对冲行人意图的不确定性。我们的规划系统结合了POMDP算法与行人运动模型,并运行在近实时的。实验表明,它使机器人车辆能够在每平方米近一人的人群中安全,高效,平稳地行驶。
2018-07-01 cs.RO
Knowledge-Data-Dual-Driven Reinforcement Learning for Autonomous Vehicle Control in Mixed Traffic
针对混合交通下自动驾驶车辆控制的三个挑战,提出KDDRL算法,通过条件深度生成模型、双驱动范式与耦合模块实现优化,在仿真中表现更优。
2026-08-17 cs.RO cs.SY eess.SY
Socially-Aware Autonomous Driving: Inferring Yielding Intentions for Safer Interactions
School of Mechanical and Aerospace Engineering, Queen’s University Belfast(女王大学贝尔法斯特机械与航空航天工程学院);Department of Mechanical and Industrial Engineering, Concordia University(Concordia大学机械与工业工程系);State Key Laboratory of Advanced Design and Manufacturing Technology for Vehicle, College of Mechanical and Vehicle Engineering, Hunan University(湖南大学车辆先进设计与制造技术国家重点实验室,机械与车辆工程学院);James Watt School of Engineering, University of Glasgow(格拉斯哥大学詹姆斯·瓦特工程学院)
提出基于DAG的社交意图估计算法与DRL决策框架,解决自动驾驶变道中周围人类车辆意图模糊问题,提升变道安全性与效率。
2025-04-28 cs.LG cs.RO
DNC-IMM: Early Lane-Change Intention Recognition via Neural Calibration Based on Driving Context Information
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院);CCS Graduate School of Mobility(CCS移动研究生院)
本文提出DNC-IMM模型,通过神经网络校准传统IMM的转移概率矩阵与测量似然,在highD数据集上实现了车道跨越前的早期变道意图识别,尤其在2-3秒预测 horizon 下性能突出。
2026-09-02 cs.AI cs.RO
Decision-Making for Autonomous Vehicles with Interaction-Aware Behavioral Prediction and Social-Attention Neural Network
University of Michigan(密歇根大学);Ford Research and Advanced Engineering(福特研究与先进工程部);Excelled Tracer LLC(Excelled Tracer 有限责任公司)
自动驾驶汽车需要在交通中与人类驾驶员互动的同时完成任务。因此,为自动驾驶汽车配备人工推理功能至关重要,以更好地理解周围交通的意图,从而促进任务的完成。在这项工作中,我们提出了一个行为模型,编码司机的互动意图到潜在的社会心理参数。利用贝叶斯滤波器,我们开发了一个基于滚动优化的控制器,用于自动驾驶汽车决策,该控制器考虑了交互驾驶员意图的不确定性。对于在线部署,我们设计了一个神经网络架构的基础上的注意力机制,模仿行为模型与在线估计参数先验。我们还提出了一个决策树搜索算法来解决在线决策问题。提出的行为模型,然后评估其现实世界的轨迹预测的能力。我们进一步进行广泛的评估建议的决策模块,在强制公路合并的情况下,使用模拟环境和现实世界的交通数据集。实验结果表明,该算法能够在保证行车安全的前提下,完成各种交通条件下的强制并道任务。
2023-11-01 cs.AI cs.RO cs.SY
Interaction-Aware Trajectory Prediction and Planning for Autonomous Vehicles in Forced Merge Scenarios
University of Michigan(密歇根大学);Ford Motor Company(福特汽车公司)
一般来说,合并对于人类驾驶员和自动驾驶车辆来说都是一项具有挑战性的任务,特别是在密集的交通中,因为合并车辆通常需要与其他车辆交互以识别或创建间隙并安全地合并。在本文中,我们考虑的问题,自主车辆控制强制合并的情况下。我们提出了一种新的博弈论控制器,称为领导者-追随者游戏控制器(LFGC),其中自主自我车辆和其他车辆与先验不确定的驾驶意图之间的相互作用被建模为部分可观察的领导者-追随者游戏。LFGC根据观测到的轨迹在线估计其他车辆的意图,然后预测它们的未来轨迹,并使用模型预测控制(MPC)规划自我车辆的自身轨迹,以同时实现概率上保证的安全和合并目标。为了验证LFGC的性能,我们在模拟和NGSIM数据中对其进行了测试,LFGC在合并中表现出97.5%的高成功率。
2021-12-14 cs.RO cs.SY eess.SY
Maneuver-based Trajectory Prediction for Self-driving Cars Using Spatio-temporal Convolutional Networks
University of Bonn(波恩大学);Aptiv Services Deutschland GmbH(安波福服务德国有限公司)
预测其他车辆未来运动的能力是人类潜意识和毫不费力的技能,也是安全自动驾驶的关键。因此,自动驾驶汽车的轨迹预测近年来受到了广泛关注。然而,要达到人类水平的性能仍然是一项艰巨的任务。在动态和复杂的驾驶环境中,车辆行为和未来意图的多模态性质之间的相互依赖性使得轨迹预测成为一个具有挑战性的问题。在这项工作中,我们提出了一种新的,数据驱动的方法来预测车辆在道路环境中的运动。该模型允许推断未来的意图,从过去的互动车辆在高速公路上行驶的情况。使用我们的基于邻域的数据表示,该系统联合利用相关性在空间和时间域使用卷积神经网络。我们的系统考虑了多种可能的机动意图及其相应的运动,并预测未来五秒的轨迹。我们实施了我们的方法,并在不同国家的两个高速公路数据集上进行了评估,并且能够实现具有竞争力的预测性能。
2021-09-15 cs.RO
Extending Structural Causal Models for Autonomous Vehicles to Simplify Temporal System Construction & Enable Dynamic Interactions Between Agents
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
本文扩展结构因果模型形式化,以支持模块化、常数空间时序表示及动态智能体集合,从而促进其在自动驾驶与服务机器人中的因果推理应用。
2025-03-18 cs.AI cs.RO cs.SE
Deployment-friendly Lane-changing Intention Prediction Powered by Brain-inspired Spiking Neural Networks
The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州))
本文提出基于类脑脉冲神经网络的换道意图预测方法,利用事件驱动编码车辆状态,在HighD和NGSIM上以可比精度将训练时间降低75%、内存占用降低99.9%,显著提升部署效率。
2025-05-08 cs.RO
INTENT: Trajectory Prediction Framework with Intention-Guided Contrastive Clustering
McGill University(麦吉尔大学);Hong Kong Polytechnic University(香港理工大学)
本文提出INTENT轨迹预测框架,通过对比聚类建模道路智能体的模糊意图,并仅用多层感知机实现高效轻量的预测,在真实数据集上验证了其精度与效率优势。
2025-03-06 cs.AI cs.RO
IntentNet: Learning to Predict Intention from Raw Sensor Data
Uber Advanced Technologies Group(优步先进技术集团);University of Toronto(多伦多大学)
为了规划安全的机动,自动驾驶汽车需要了解其他交通参与者的意图。我们将意图定义为离散的高级行为以及描述未来运动的连续轨迹的组合。在本文中,我们开发了一个单阶段的检测器和预报器,利用激光雷达传感器产生的三维点云以及环境的动态地图。我们的多任务模型在节省计算的同时比各自的独立模块实现了更好的准确性,这对于减少自动驾驶应用中的反应时间至关重要。
2021-01-20 cs.AI cs.CV cs.LG
Dream to Drive with Predictive Individual World Model
School of Automation and Electrical Engineering, University of Science and Technology Beijing(北京科技大学自动化与电气工程学院);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
针对复杂城市环境中道路使用者意图未知导致难以实现反应性驾驶的问题,提出基于预测性个体世界模型(PIWM)的MBRL方法,通过个体级视角建模车辆交互与意图,并在想象中训练行为策略,实现安全高效的自动驾驶。
2025-01-28 cs.CV cs.LG cs.RO
Prediction Based Decision Making for Autonomous Highway Driving
University of Surrey(萨里大学);University of Warwick(华威大学);Warwick Manufacturing Group(华威制造集团)
由于交通固有的复杂性和不确定性,自动驾驶决策是一项具有挑战性的任务。例如,相邻车辆可以随时改变车道或超车,以超过慢速车辆或帮助交通流量。预测周围车辆的意图,估计它们的未来状态并将其整合到自动驾驶汽车的决策过程中,可以提高复杂驾驶场景中自动驾驶的可靠性。提出了一种基于预测的深度强化学习(PDRL)决策模型,该模型在高速公路驾驶决策过程中考虑了周围车辆的操纵意图。该模型使用真实的交通数据进行训练,并通过仿真平台在各种交通条件下进行测试。结果表明,与深度强化学习(DRL)模型相比,所提出的PDRL模型通过减少碰撞次数来提高决策性能,从而实现更安全的驾驶。
2022-09-05 cs.AI cs.RO
EPN: An Ego Vehicle Planning-Informed Network for Target Trajectory Prediction
Wuhan University of Technology(武汉理工大学);School of Computer Science and Artificial Intelligence, Wuhan University of Technology(武汉理工大学计算机科学与人工智能学院)
针对自动驾驶中目标车辆轨迹预测的动态性与多模态挑战,提出融合自车规划轨迹输入的EPN网络,通过端点预测模块优化预测,在NGSIM和HighD数据集上显著降低预测误差,提升预测准确性。
2025-02-13 cs.RO
Selecting Spots by Explicitly Predicting Intention from Motion History Improves Performance in Autonomous Parking
Honda Research Institute (HRI)(本田研究机构);Georgia Institute of Technology(佐治亚理工学院)
本文提出了一种通过显式预测意图来选择停车位的自动驾驶停车方法,提高了停车任务的预测准确性、社会接受度和任务完成度。
2026-03-05 cs.RO
Autonomous Vehicles that Interact with Pedestrians: A Survey of Theory and Practice
Department of Electrical Engineering and Computer Science, York University(约克大学电气工程与计算机科学系);York University(约克大学);Department of Electrical Engineering and Computer Science(电气工程与计算机科学系);Toronto(多伦多);ON, Canada(加拿大安大略省)
自动驾驶汽车目前面临的主要挑战之一是在城市环境中驾驶。为了实现这一目标,自动驾驶汽车需要能够与其他道路使用者进行沟通并理解他们的意图。作为最脆弱的道路使用者,车辆和行人之间的这种互动至关重要。了解行人的行为,但是,是不直观的,并取决于各种因素,如人口统计学的行人,交通动态,环境条件等,在本文中,我们确定这些因素通过调查行人行为的研究,无论是经典的作品,对驾驶员的互动和现代的,涉及自动驾驶汽车。为此,我们将讨论研究行人行为的各种方法,并分析文献中确定的因素是如何相互关联的。我们还将回顾旨在解决交互问题的实际应用,包括与行人通信的自动驾驶汽车的设计方法,以及为理解行人意图而定制的视觉感知和推理算法。根据我们的研究结果,我们将讨论开放的问题,并提出未来的研究方向。
2018-05-30 cs.CV cs.HC cs.RO
Game Theoretic Decision Making by Actively Learning Human Intentions Applied on Autonomous Driving
Honda Research Institute, USA(美国本田研究院)
估计人类意图并与人类驾驶员智能交互的能力对于自动驾驶汽车成功实现其目标至关重要。在本文中,我们提出了一个博弈论规划算法,模拟人类对手的迭代推理框架和估计人类潜在的认知状态,通过概率推理和主动学习。通过将交互建模为具有自适应状态和动作空间的部分可观察马尔可夫决策过程,我们的算法能够在现实的驾驶模拟器中完成实时变道任务。我们比较了我们的算法的车道变换性能在密集的交通状态的最先进的自动车道变换算法,以显示迭代推理和主动学习的优势,避免过于保守的行为,成功地实现驾驶目标。
2023-01-22 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
MonoPIC -- A Monocular Low-Latency Pedestrian Intention Classification Framework for IoT Edges Using ID3 Modelled Decision Trees
PES University(PES大学)
针对自动驾驶中行人突然出现导致的反应时间不足问题,提出MonoPIC框架,利用MediaPipe四元数在物联网边缘以低延迟分类行人意图,达到83.56%准确率和48毫秒延迟,优于时空卷积网络。
2024-02-04 cs.CV cs.RO
Interaction-Aware Model Predictive Decision-Making for Socially-Compliant Autonomous Driving in Mixed Urban Traffic Scenarios
Institute of Control Systems, Karlsruhe Institute for Technology(控制系统研究所,卡尔斯鲁厄技术学院);Wuerzburg Institute for Traffic Sciences GmbH(魏玛交通科学研究所有限公司);Faculty of Engineering - Mechanical Engineering Dept, University of Alberta(工程学院-机械工程系,阿尔伯塔大学)
本文提出交互感知模型预测决策框架,用于提升自动驾驶在混合城市交通场景中的社会合规性与安全性。
2026-02-24 cs.RO cs.SY eess.SY
Open-set Intersection Intention Prediction for Autonomous Driving
意图预测是自动驾驶(AD)的一项重要任务。由于交叉口的大小和布局的多样性,预测人类驾驶员在不同交叉口的意图是具有挑战性的,特别是不可见的和不规则的交叉口。在本文中,我们制定的意图在交叉口的预测作为一个开集预测问题,需要上下文特定的匹配目标车辆状态和不同的交叉口配置,原则上是无界的。我们捕捉地图为中心的功能,对应于交叉口结构下的时空图表示,并使用两个MAAM(相互辅助注意模块),分别涵盖车道级和出口级的意图,预测目标,最佳匹配的路口元素在地图为中心的特征空间。在我们的模型下,注意力分数估计由当前交叉口的结构上下文定义的开集意图的概率分布。该模型在模拟数据集上进行了训练和评估。此外,该模型在模拟数据集上训练,没有任何微调,直接在98个真实世界交叉口收集的内部真实世界数据集上进行验证,表现出令人满意的性能,证明了我们方法的实际可行性。
2021-03-09 cs.CV cs.RO
Probabilistic Prediction of Vehicle Semantic Intention and Motion
University of California, Berkeley(加州大学伯克利分校)
准确预测交通参与者的可能行为是未来自动驾驶汽车的基本能力。目前大多数研究只考虑特定的场景来确定驾驶意图的数量。然而,不同的驾驶环境通常包含各种可能的驾驶操纵。因此,需要一种能够适应不同交通场景的意图预测方法。为了进一步提高整体车辆预测性能,通常将运动信息与分类意图结合。如在一些文献中所建议的,直接预测可能的目标位置的方法可以实现比其他方法更好的长期运动预测性能,因为它们自动地结合了环境约束。此外,通过获得预测目的地的时间信息,预测车辆的最佳轨迹以及自我自主车辆的期望路径可以很容易地生成。在本文中,我们提出了一种基于语义的意图和运动预测(SIMP)方法,它可以适应任何驾驶场景,通过使用语义定义的车辆行为。它利用基于深度神经网络的概率框架来估计周围车辆的意图、最终位置和相应的时间信息。一个典型的现实世界的情况下,被用来实现和检查所提出的方法。
2018-04-10 cs.LG stat.ML
Real-Time Predictive Modeling and Robust Avoidance of Pedestrians with Uncertain, Changing Intentions
Massachusetts Institute of Technology(麻省理工学院)
为了在城市环境中规划安全的轨迹,自动驾驶汽车必须能够快速评估动态代理的未来意图。行人是特别具有挑战性的模型,因为他们的运动模式往往是不确定的和/或未知的先验。本文提出了一种新的变点检测和聚类算法,当与高斯过程混合模型(DPGP)的离线无监督学习相结合时,能够快速检测意图的变化和在线学习先前训练数据中没有看到的运动模式。由此产生的长期运动预测表明,相对于单独的离线学习,在意图和轨迹预测方面都提高了准确性。通过将这些预测嵌入到机会约束运动规划器中,可以实时的【形】识别对行人运动概率安全的轨迹。硬件实验表明,该方法可以准确地预测行人运动模式从车载传感器/感知数据,并促进在动态环境中的鲁棒导航。
2014-05-22 cs.RO
Autonomous Driving at Intersections: A Critical-Turning-Point Approach for Left Turns
University of Waterloo(滑铁卢大学);Waytous Inc.(Waytous公司);Autonomous Driving Lab, Tencent(腾讯自动驾驶实验室);Tsinghua National Laboratory for Information Science and Technology, Department of Automation, Tsinghua University(清华大学自动化系清华大学信息科学与技术国家实验室)
左转规划是自动驾驶汽车面临的巨大挑战之一,特别是在无信号交叉口,因为迎面而来的车辆的意图是未知的。本文提出了一种基于关键转折点(CTP)的层次规划方法。这包括一个高层次的候选路径生成器和一个低层次的部分可观察马尔可夫决策过程(POMDP)为基础的规划。建议(CTP)的概念,灵感来自人类驾驶行为在十字路口,旨在提高计算效率的低层次的规划,使人类友好的自动驾驶。基于POMDP的低级规划器将迎面而来的车辆的未知意图纳入考虑范围,以执行不太保守但安全的行动。通过适当的集成,所提出的分层方法能够在无信号交叉口实时的获得安全的规划结果和高通勤效率。
2020-03-05 cs.RO cs.SY eess.SY
GTP-UDrive: Unified Game-Theoretic Trajectory Planner and Decision-Maker for Autonomous Driving in Mixed Traffic Environments
Institut VEDECOM(VEDECOM研究院);CentraleSupelec(中央高等电力学院);Dotflow(Dotflow公司)
针对混合交通中自动驾驶与人工驾驶车辆的交互难题,提出统一博弈论框架GTP-UDRIVE,结合回旋线插值与PSO求解器,在无信号路口验证了其同步决策规划、约束满足及降维优化的有效性。
2024-06-20 cs.RO
Risk-Aware Vehicle Trajectory Prediction Under Safety-Critical Scenarios
Tsinghua University(清华大学);Nanyang Technological University(南洋理工大学)
针对现有轨迹预测忽视安全关键场景的问题,本文提出风险感知轨迹预测框架,通过风险融合编码、端点风险意图查询及辅助风险预测任务,在安全关键数据集上显著优于SOTA模型,提升碰撞规避能力。
2024-07-18 cs.AI cs.RO
Causality-Aware End-to-End Autonomous Driving via Ego-Centric Joint Scene Modeling
Korea University(韩国大学);Kakao Mobility
本文提出CaAD框架,通过共享潜在场景表示捕捉车辆与周围代理之间的因果依赖关系,以提高端到端自动驾驶的闭环规划性能。
2026-05-19 cs.AI cs.RO
Integrated Intention Prediction and Decision-Making with Spectrum Attention Net and Proximal Policy Optimization
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学)
本文提出一种基于频谱注意力网络和PPO的自动驾驶意图预测与决策一体化方法,通过联合学习建模二者耦合关系,在保证计算效率的同时提升驾驶成功率、效率与安全性。
2024-08-06 cs.RO
A Novel Temporal Multi-Gate Mixture-of-Experts Approach for Vehicle Trajectory and Driving Intention Prediction
Southeast University(东南大学);School of Transportation(交通学院);University of Central Florida(中佛罗里达大学)
本文提出时序多门混合专家模型TMMOE,通过TCN共享层、专家层和全连接层同时预测车辆纵向、横向位置及驾驶意图,并在CitySim数据集上取得优于LSTM的分类与回归性能。
2023-08-01 cs.LG cs.RO
ConvoyNext: A Scalable Testbed Platform for Cooperative Autonomous Vehicle Systems
Department of Electrical and Computer Engineering University of Central Florida(电气与计算机工程系 佛罗里达中央大学)
本文提出ConvoyNext,一个可扩展、模块化的真实世界测试平台,用于评估协作式自动驾驶编队行为,并通过复杂轨迹和通信丢包实验验证其鲁棒性和有效性。
2025-05-22 cs.RO cs.SY eess.SY
Lane Change Intention Recognition and Vehicle Status Prediction for Autonomous Vehicles
University of Central Florida(中佛罗里达大学)
本研究针对自动驾驶场景下的人类车辆换道行为,提出带注意力机制的TCN模型提升换道意图识别准确率,并基于多任务学习框架构建MTL-LSTM模型,同时预测多项车辆状态指标,显著降低了预测误差。
2023-07-19 cs.LG
CausalMob: Causal Human Mobility Prediction with LLMs-derived Human Intentions toward Public Events
The University of Tokyo(东京大学);School of Artificial Intelligence Jilin University(吉林大学人工智能学院)
针对非周期性公众事件干扰人类移动预测的问题,提出因果增强模型CausalMob,利用LLM从新闻提取人类意图作为因果处理,结合时空协变量表示,通过因果估计框架提升预测性能,实验优于现有模型。
2025-01-07 cs.AI cs.IR cs.LG
Safety-Critical Traffic Simulation with Adversarial Transfer of Driving Intentions
Shanghai Jiao Tong University(上海交通大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本文提出IntSim策略,将驾驶意图与运动规划解耦,通过优化对抗意图迁移实现高效安全关键交通仿真,并在真实数据集上验证其能提升规划器处理事故场景的能力。
2025-03-07 cs.LG cs.RO
Lane Change Intention Prediction of two distinct Populations using a Transformer
IEEE
本文使用Transformer网络预测车辆变道意图,通过跨数据集评估发现,在单一数据集上训练准确率为85.44%,跨数据集时降至71.94%,而联合训练可达86.84%。
2026-06-23 cs.LG
Model Predictive Control with Gaussian-Process-Supported Dynamical Constraints for Autonomous Vehicles
Technical University of Darmstadt(达姆施塔特工业大学);Otto-von-Guericke University Magdeburg(马格德堡奥托·冯·格里克大学)
我们提出了一种自动驾驶汽车的模型预测控制方法,该方法利用学习的高斯过程来预测人类的驾驶行为。所提出的方法采用GP的预测,以实现安全的不确定性。多模式预测控制方法考虑人类驾驶员的可能意图。虽然意图由不同的高斯过程表示,但其在所观察到的行为中预见的概率由合适的在线分类确定。低于某个概率阈值的意图被忽略以提高性能。所提出的多模式模型预测控制方法与高斯过程回归支持,使重复的可行性和概率约束满足高概率。该方法强调在模拟中,考虑现实世界的测量训练高斯过程。
2023-03-08 cs.LG cs.RO cs.SY
Intention-Based Lane Changing and Lane Keeping Haptic Guidance Steering System
Institute of Industrial Science, the University of Tokyo(东京大学工业科学研究所)
触觉引导在共享转向辅助系统中的应用,由于其在车辆控制中的相互通信能力,引起了智能车辆领域的广泛关注。通过在方向盘上施加连续扭矩,驾驶员和支撑系统可以共享车辆的横向控制。然而,目前的触觉引导转向系统在辅助变道方面存在一些不足。本研究探索一种新的转向交互方法,包括基于意图的触觉共享转向系统的设计和评价。这种基于意图的方法可以通过检测驾驶员车道变换意图来支持车道保持和车道变换辅助。通过使用基于深度学习的方法对驾驶员关于车道交叉的决策时机进行建模,提出了用于实现转向控制系统的自适应增益控制方法。提出了一种意图一致性方法,用于检测驾驶员和系统是否朝着相同的目标轨迹运动,并准确地捕捉驾驶员意图。通过驾驶模拟器实验对系统性能进行了测试。参与者被要求进行六次有辅助方法的试验和一次没有辅助的试验。结果表明,该支持系统降低了车道保持任务中的车道偏离风险,能够支持快速稳定的换道机动。
2020-11-15 cs.AI cs.HC cs.LG
Predictions of short-term driving intention using recurrent neural network on sequential data
Athena Robotics, INC.(雅典娜机器人公司)
预测驾驶员的意图及其使用道路的行为对于自动驾驶车辆的规划和决策过程非常重要。特别地,相对短期的驾驶意图是构成更复杂的驾驶目标、行为的基本单元,例如超越前面的慢速车辆、退出或并入高速公路等。虽然大多数时候人类驾驶员可以提前合理化各种道路上的行为、意图以及相关联的风险、攻击性、互惠特征等并不罕见,这样的推理技能对于自动驾驶系统来说可能是具有挑战性的并且难以学习。在这篇文章中,我们展示了一个纪律严明的方法,可用于建立和训练预测驱动系统,因此学习上述道路上的特点。
2018-03-28 cs.AI cs.CV cs.LG
TrajFusionNet: Pedestrian Crossing Intention Prediction via Fusion of Sequential and Visual Trajectory Representations
Perception, Robotics and Intelligent Machines Research Group (PRIME) Department of Computer Science, Université de Moncton, Canada(感知、机器人与智能机器研究组(PRIME)计算机科学系,新不伦瑞克大学)
本文提出TrajFusionNet,通过融合序列注意力与视觉注意力分支,将未来行人轨迹和车辆速度预测作为先验,在三个常用数据集上以最低推理时间实现行人过街意图预测的最先进性能。
2025-08-27 cs.CV cs.LG
Multi-modal Scene-compliant User Intention Estimation in Navigation
University of Technology Sydney(悉尼科技大学)
本文提出了一个多模态框架来生成用户意图分布,当操作移动车辆。该模型从过去观察到的轨迹中学习,并利用从视觉环境中获得的可通行性信息来产生一组未来轨迹,适合直接嵌入到移动代理上的感知-动作共享控制策略中,或者作为安全层来监督车辆的谨慎操作。我们的解决方案基于一个有条件的生成对抗网络与长短期记忆细胞捕捉轨迹分布的条件下,过去的轨迹,进一步融合来自视觉分割与卷积神经网络的遍历概率。所提出的数据驱动框架导致预测轨迹(与地面实况相比)的误差显着减少,而文献中的可比策略(例如,Social-GAN)未能考虑代理过去历史以外的信息。实验是在一个数据集上进行的,该数据集是用一个构建在开源城市驾驶模拟器CARLA上的自定义轮椅模型收集的,这也证明了所提出的框架可以用于一个小的、未注释的数据集。
2022-03-16 cs.LG cs.RO
Learning Negotiating Behavior Between Cars in Intersections using Deep Q-Learning
Zenuity AB(泽纽蒂公司);Chalmers University of Technology(查尔姆斯理工大学)
本文关注的自动驾驶汽车与其他车辆,通常是人类驾驶的,在交叉路口的目标,找到一个决策算法,通过学习其他车辆的典型行为。车辆观察交叉道路上的车辆的距离和速度,并使用沿着其预定义的轨迹调整其速度的策略来有效地通过交叉口。深度Q学习用于具有不同预定义驾驶员行为和意图的模拟交通。结果表明,该策略能够在98%的时间内避免与其他车辆碰撞,同时不会过于被动。此外,随着时间的推移推断信息对于区分不同的意图非常重要,并且通过比较深度循环Q网络(0.85%)和深度Q学习(1.75%)之间的冲突率来证明这一点。
2018-10-24 cs.GT cs.LG stat.ML
Context Aware Road-user Importance Estimation (iCARE)
University of Tennessee, Knoxville(田纳西大学诺克斯维尔分校);Honda Research Institute, USA(本田美国研究院)
道路使用者是自动驾驶汽车和驾驶员辅助系统决策的关键部分。然而,由于道路使用者各自的意图、自我车辆的意图以及他们之间的相互影响,一些道路使用者对决策的影响比其他道路使用者更重要。在本文中,我们提出了一种新的架构,道路用户的重要性估计,它利用了当地和全球范围内的场景。对于本地环境,该模型利用道路使用者的外观(其捕获方向、意图等)。以及它们相对于自我载体的位置。我们模型中的全局上下文是基于模块的卷积层的特征图定义的,该特征图预测自我车辆的未来路径并包含场景的丰富全局信息(例如,基础设施、道路车道等),以及自我车辆的意图信息。此外,本文介绍了一个新的数据集的现实世界的驾驶,集中在交叉路口,包括重要的道路使用者的注释。我们提出的方法对几个基线的系统评估显示出可喜的成果。
2019-08-30 cs.CV cs.HC cs.LG
VRU-CIPI: Crossing Intention Prediction at Intersections for Improving Vulnerable Road Users Safety
University of Central Florida(中央佛罗里达大学)
提出 VRU-CIPI 框架,结合 GRU 与多头 Transformer 自注意力预测交叉口弱势道路使用者的过街意图,在 UCF-VRU 上达到 96.45% 准确率和 33 FPS 实时推理,并可通过 I2V 提升安全。
2025-05-15 cs.AI cs.CV cs.LG
MIAT: Maneuver-Intention-Aware Transformer for Spatio-Temporal Trajectory Prediction
Min H. Kao Department of Electrical Engineering and Computer Science at University of Tennessee, Knoxville, TN, USA(田纳西大学电气工程与计算机科学系);Department of Electrical and Computer Engineering at George Mason University(乔治·马歇尔大学电气与计算机工程系)
本文提出MIAT架构,通过融合机动意图感知控制机制与时空交互建模,在NGSIM数据集上显著提升了自动驾驶中长时域轨迹预测的准确率。
2025-08-13 cs.LG
A Novel Two-level Causal Inference Framework for On-road Vehicle Quality Issues Diagnosis
Ford Motor Company(福特汽车公司);Georgia Institute of Technology(佐治亚理工学院)
本文提出一种新型双层因果推断框架,利用因果机器学习加速道路车辆质量问题的根因诊断与处理优化,并通过真实车辆数据集验证其有效性。
2023-03-31 cs.AI cs.LG
CILF:Causality Inspired Learning Framework for Out-of-Distribution Vehicle Trajectory Prediction
Southeast University(东南大学)
本文提出分布外因果图 OOD-CG 与因果启发学习框架 CILF,通过不变性、域对比和因果充分性学习分离潜在特征,提升车辆轨迹预测的域泛化能力。
2023-07-11 cs.AI cs.LG