Delving into Mapping Uncertainty for Mapless Trajectory Prediction
Institute for AI Industry Research (AIR), Tsinghua University, China(人工智能产业研究院(AIR),清华大学,中国);Bosch Corporate Research, China(博世企业研究,中国);Institute for Interdisciplinary Information Sciences(IIIS), Tsinghua University, China(交叉信息学研究院(IIIS),清华大学,中国);University of Toronto, Canada(多伦多大学,加拿大);University of HongKong, China(香港大学,中国)
针对无地图自动驾驶中在线建图可靠性问题,本文提出本体感知场景门控与基于协方差的地图不确定性方法,在 nuScenes 上较 SOTA 最高提升23.6%。
2025-07-24 cs.CV
Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding
Xi’an Jiaotong University(西安交通大学);Chang’an University(长安大学);The University of Sydney(悉尼大学)
轨迹预测对于自主平台进行安全规划和行动至关重要。目前,大多数轨迹预测方法假设已经提取了对象轨迹,并基于地面实况轨迹直接开发轨迹预测器。然而,这一假设在实际情况中并不成立。通过目标检测和跟踪得到的轨迹不可避免地含有噪声,这会给基于地面真实轨迹的预测器带来严重的预测误差。在本文中,我们提出了一个轨迹预测直接基于检测结果,而不依赖于明确形成的轨迹。与传统的基于Agent运动轨迹的运动信息编码方法不同,本文仅根据检测结果中的亲和性信息提取Agent的运动信息,并设计了一种亲和性感知的状态更新机制,以考虑关联的不确定性.此外,考虑到可能有多个看似合理的匹配候选者,我们聚合它们的状态。该设计缓解了从数据关联获得的噪声轨迹的不良影响。大量的烧蚀实验验证了该方法的有效性及其在不同检测器上的推广能力。与其他预测方案的交叉比较进一步证明了该方法的优越性。代码将在接受后发布。
2022-02-10 cs.CV
Uncertainty-Aware Pedestrian Trajectory Prediction via Distributional Diffusion
Macquarie University(麦考瑞大学);University of New South Wales(新南威尔士大学);Northeastern University(东北大学);CSIRO(澳大利亚联邦科学与工业研究组织)
针对行人轨迹预测中不确定性与行为复杂性耦合的问题,提出基于分布扩散的不确定性感知框架,分别建模两类因素,兼容多种网络架构,在轻量骨干下仍于两个公开基准取得SOTA性能提升。
2024-05-11 cs.CV
Uncertainty-Aware Trajectory Prediction: A Unified Framework Harnessing Positional and Semantic Uncertainties
School of Computer Science and Technology, Beijing Institute of Technology(北京理工大学计算机科学与技术学院);CSIRO DATA61(澳大利亚联邦科学与工业研究组织 Data61);Faculty of Science and Technology and Institute of Collaborative Innovation, University of Macau(澳门大学科技学院及协同创新研究院)
本文提出一种统一框架,整合位置和语义不确定性以提升轨迹预测的鲁棒性,通过双重头架构和端到端方法,在nuScenes数据集上验证了方法在多个指标上的有效性。
2026-03-31 cs.CV
Diffusion^2: Dual Diffusion Model with Uncertainty-Aware Adaptive Noise for Momentary Trajectory Prediction
Civil and Environmental Engineering Department, University of Wisconsin-Madison(威斯康星大学麦迪逊分校土木与环境工程系);Civil and Environmental Engineering Department, University of Washington(华盛顿大学土木与环境工程系);College of Transportation, Tongji University(同济大学交通运输学院)
针对真实场景中观测数据不足的瞬时行人轨迹预测难题,提出由反向、前向扩散模型串联的Diffusion^2框架,搭配双头不确定性估计与时间自适应噪声模块,在多个基准数据集上取得最优性能。
2025-10-05 cs.CV
ExtraGS: Geometric-Aware Trajectory Extrapolation with Uncertainty-Guided Generative Priors
UIUC(伊利诺伊大学香槟分校);Xiaomi EV Project(小米电动车项目)
针对驾驶场景轨迹外推中几何一致性差和渲染过度平滑的问题,提出整合几何与生成先验的ExtraGS框架,通过新型高斯表示及不确定性引导先验整合,显著提升外推视图的真实感与几何一致性。
2025-08-23 cs.CV
Multiple Object Tracking with Mixture Density Networks for Trajectory Estimation
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学);AutomaticTV
多对象跟踪面临着几个挑战,可以用轨迹信息来缓解。知道物体的后位置有助于消除歧义和解决诸如遮挡、重新识别和身份切换等情况。在这项工作中,我们表明,轨迹估计可以成为跟踪的一个关键因素,并提出TrajE,一个基于递归混合密度网络的轨迹估计器,作为一个通用模块,可以添加到现有的对象跟踪器。为了提供几个轨迹假设,我们的方法使用束搜索。此外,依赖于相同的估计轨迹,我们建议在发生遮挡后重建轨迹。我们将TrajE集成到两种最先进的跟踪算法中,CenterTrack [63]和Tracktor [3]。他们在MOTChallenge 2017测试集中的表现分别在MOTA得分中提升了6.3和0.3分,在IDF1中提升了1.8和3.1分,为CenterTrack+TrajE配置创造了新的艺术水平
2021-06-22 cs.CV
The Aleatoric Uncertainty Estimation Using a Separate Formulation with Virtual Residuals
The University of Tokyo(东京大学);The University of Washington(华盛顿大学);Nippon Telegraph and Telephone Corporation(日本电报电话公司)
提出了一种新的优化框架,用于回归问题中任意不确定性估计。现有的方法可以量化的误差在目标估计,但他们往往低估it.To获得固有的观测的预测不确定性,我们提出了一个新的可分离的制定信号的估计和其不确定性,避免过拟合的影响。通过解耦目标估计和不确定性估计,控制信号估计和不确定性估计之间的平衡。我们进行了三种类型的实验:模拟数据的回归,年龄估计,和深度估计。我们证明了所提出的方法优于一个国家的最先进的技术信号和不确定性估计。
2020-11-03 cs.CV
Trajectory Space Factorization for Deep Video-Based 3D Human Pose Estimation
National University of Singapore(新加坡国立大学)
用于视频的3D人体姿势估计的现有深度学习方法基于递归神经网络或卷积神经网络(RNN或CNN)。然而,基于RNN的框架只能处理有限帧的序列,因为序列模型对坏帧敏感,并且倾向于在长序列上漂移。虽然现有的基于CNN的时间框架试图通过同时处理序列中的所有输入帧来解决灵敏度和漂移问题,但是现有的基于CNN的框架限于对来自顺序输入的单个帧的3d姿态估计。在本文中,我们提出了一个基于深度学习的框架,该框架利用矩阵分解进行连续的3D人体姿势估计。我们的方法同时处理所有的输入帧,以避免敏感性和漂移问题,但输出的3d姿态估计输入序列中的每一帧。更具体地,所有帧中的3d姿态被表示为分解为轨迹基矩阵和轨迹系数矩阵的运动矩阵。通过奇异值分解(SVD)或离散余弦变换(DCT)等矩阵分解方法预先计算轨迹基矩阵,并将顺序3D姿态估计问题简化为训练深度网络以回归轨迹系数矩阵。我们通过在多个基准数据集上实现最先进的性能,证明了我们的框架在长序列上的有效性。我们的源代码可以在https://github.com/jiahaoLjh/trajectory-pose-3d上找到。
2019-08-22 cs.CV
Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model
Australian National University(澳大利亚国立大学);Northwestern Polytechnical University(西北工业大学);Monash University(莫纳什大学);SenseTime(商汤科技)
不确定性估计在近年来的文献中得到了广泛的研究,通常可以分为任意不确定性和认知不确定性。在现有的任意不确定性估计框架中,任意不确定性是数据的固有属性,只有无偏的预言模型才能正确地估计。由于预言机模型在大多数情况下是不可访问的,我们提出了一种新的采样和选择策略,在训练时间近似的预言机模型的任意不确定性估计。进一步,我们在基于双头的异方差不确定性估计框架中给出了一个平凡的解,并引入了一个新的不确定性一致性损失来避免它.对于认知不确定性估计,我们认为条件潜变量模型中的内变量是认知不确定性的另一个来源,从而对预测分布进行建模,并探索关于隐藏真模型的有限知识.我们验证了我们对密集预测任务的观察,即,隐藏目标检测。我们的结果表明,我们的解决方案实现了准确的确定性结果和可靠的不确定性估计。
2021-11-22 cs.CV
Propagating State Uncertainty Through Trajectory Forecasting
Ford Greenfield Labs(福特格林菲尔德实验室);Stanford University(斯坦福大学);NVIDIA(英伟达)
不确定性弥漫在现代机器人自主堆栈中,几乎每个组件(例如,传感器、检测、分类、跟踪、行为预测)产生连续或离散的概率分布。特别是轨迹预测,被不确定性所包围,因为它的输入是由(嘈杂的)上游感知产生的,它的输出是预测,通常是概率性的,用于下游规划。然而,大多数轨迹预测方法不考虑上游的不确定性,而是只采用最可能的值。因此,感知的不确定性不会通过预测传播,预测往往过于自信。为了解决这个问题,我们提出了一种新的方法,将感知状态的不确定性的轨迹预测,其中的一个关键组成部分是一个新的统计距离为基础的损失函数,鼓励预测的不确定性,更好地匹配上游的看法。我们评估我们的方法都在说明性的模拟和大规模的,真实世界的数据,证明其有效性传播感知状态的不确定性,通过预测和产生更多的校准预测。
2022-07-12 cs.CV cs.LG cs.RO
Collaborative Uncertainty in Multi-Agent Trajectory Forecasting
Shanghai Jiao Tong University(上海交通大学);University of Southern California(南加州大学);Beijing Institute of Technology(北京理工大学)
不确定性建模在弹道预测系统中对于解释和安全原因都是至关重要的。为了更好地预测多个代理的未来轨迹,最近的作品引入了交互模块来捕捉代理之间的交互。这种方法导致预测轨迹之间的相关性。然而,这种相关性带来的不确定性被忽略了。为了填补这一空白,我们提出了一个新的概念,协作的不确定性(CU),模型的不确定性所产生的互动模块。我们建立了一个通用的CU为基础的框架,使预测模型学习未来的轨迹和相应的不确定性。基于CU的框架作为一个插件模块集成到当前最先进的(SOTA)系统,并部署在两个特殊的情况下,基于多元高斯分布和拉普拉斯分布。在每种情况下,我们都对两个合成数据集和两个公共的大规模轨迹预测基准进行了广泛的实验。结果令人鼓舞:1)合成数据集的结果表明,基于CU的框架允许模型适当地近似地面实况分布。2)轨迹预测基准测试的结果表明,基于CU的框架稳定地帮助SOTA系统提高其性能。特别是,所提出的基于CU的框架帮助VectorNet在nuScenes数据集上的最终位移误差方面改进了57 cm。3)CU的可视化结果表明,CU的价值是高度相关的智能体之间的交互信息的量。
2021-10-26 cs.CV cs.LG
Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting
Shanghai Jiao Tong University(上海交通大学);University of Southern California(南加州大学);School of Mechanical Engineering, Nanjing University of Science and Technology(南京理工大学机械工程学院)
本文提出协作不确定性(CU)概念及CU感知回归框架,作为插件模块帮助SOTA多智能体多模态轨迹预测系统估计不确定性、排序并选择最优预测,在多个基准上稳定提升性能。
2025-03-11 cs.CV stat.ML
Goal-GAN: Multimodal Trajectory Prediction Based on Goal Position Estimation
Technical University Munich(慕尼黑工业大学)
在本文中,我们提出了Goal-GAN,这是一种用于人类轨迹预测的可解释和端到端可训练模型。受人类导航的启发,我们将轨迹预测任务建模为直观的两阶段过程:(i)目标估计,预测代理最可能的目标位置,然后是(ii)路由模块,估计一组可能的轨迹,这些轨迹朝向估计的目标路由。我们利用有关场景的过去轨迹和视觉上下文的信息来估计可能的目标位置上的多模态概率分布,该概率分布用于在推理期间对潜在目标进行采样。路由由一个递归神经网络控制,该网络对附近环境中的物理约束做出反应,并生成朝向采样目标的可行路径。我们广泛的实验评估表明,我们的方法建立了一个新的国家的最先进的几个基准,同时能够生成一组符合物理约束的现实和多样化的轨迹。
2020-10-02 cs.CV
DiffuTraj: A Stochastic Vessel Trajectory Prediction Approach via Guided Diffusion Process
School of Computer Science and Engineering, University of Electronic Science and Technology of China(电子科技大学计算机科学与工程学院)
针对海上船舶轨迹预测的多模态与不确定性问题,提出DiffuTraj框架,将轨迹预测建模为运动模式不确定性扩散的引导反向过程,并设计基于transformer的条件去噪器捕获时空依赖,在基准实验中表现优越。
2024-10-12 cs.CV
Reliable Multimodal Trajectory Prediction via Error Aligned Uncertainty Optimization
Intel Labs(英特尔实验室)
深度神经网络中可靠的不确定性量化在安全关键型应用中非常关键,例如自动驾驶,以进行可靠和明智的决策。评估不确定性估计的质量具有挑战性,因为不确定性估计的基础事实不可用。理想情况下,在一个经过良好校准的模型中,不确定性估计值应该与模型误差完美相关。我们提出了一种新的误差对齐的不确定性优化方法,并引入了一个可训练的损失函数,以指导模型产生良好的质量不确定性估计与模型误差对齐。我们的方法针对连续结构化预测和回归任务,并在多个数据集上进行评估,包括涉及真实世界分布变化的大规模车辆运动预测任务。我们证明,我们的方法将平均位移误差提高了1.69%和4.69%,并将与模型误差的不确定性相关性提高了17.22%和19.13%,如在两个最先进的基线上通过Pearson相关系数量化的那样。
2022-12-09 cs.CV cs.LG
Fast Inference and Update of Probabilistic Density Estimation on Trajectory Prediction
Toyota Technological Institute(丰田工业大学)
本文提出基于条件连续索引流的 FlowChain 轨迹预测模型,以解析密度计算和流变换复用实现快速推理与亚毫秒级密度更新,并取得最先进精度。
2023-08-17 cs.CV
Where Is The Ball: 3D Ball Trajectory Estimation From 2D Monocular Tracking
VISTEC Rayong, Thailand(泰国Rayong VISTEC)
本文提出基于LSTM和规范三维表示的球体轨迹估计方法,仅用模拟数据训练即可在真实场景中实现最先进性能,应用于体育分析和虚拟回放。
2025-06-06 cs.CV
Heterogeneous-Agent Trajectory Forecasting Incorporating Class Uncertainty
Toyota Research Institute(丰田研究院);NVIDIA Research(英伟达研究院);Stanford University(斯坦福大学)
推理其他代理的未来行为对机器人安全导航至关重要。可信的未来的多样性进一步放大了固有的不确定性代理状态估计从数据,包括位置,速度和语义类。然而,预测方法通常忽略类别的不确定性,仅以代理最可能的类别为条件,即使感知模型通常返回完整的类别分布。为了利用这些信息,我们提出了HAICU,异构代理轨迹预测的方法,明确纳入代理的类概率。我们还介绍了PUP,一个新的具有挑战性的现实世界自动驾驶数据集,以研究预测中感知不确定性的影响。它包含具有挑战性的拥挤场景,具有未过滤的代理类概率,反映了当前最先进的感知系统的长尾。我们证明,将类概率的轨迹预测显着提高性能,面对不确定性,并实现新的预测能力,如反事实预测。
2022-03-03 cs.CV cs.LG cs.RO
GUIDE-CoT: Goal-driven and User-Informed Dynamic Estimation for Pedestrian Trajectory using Chain-of-Thought
Kookmin University(国民大学);Korea University(高丽大学)
本文提出GUIDE-CoT方法,通过目标导向视觉提示与思维链大语言模型相结合,实现高精度且用户可控的行人轨迹预测,并在ETH/UCY基准上取得最先进性能。
2025-03-10 cs.CV
Modeling Pedestrian Intrinsic Uncertainty for Multimodal Stochastic Trajectory Prediction via Energy Plan Denoising
School of Computing, Macquarie University(麦考瑞大学计算学院);Data 61, CSIRO(联邦科学与工业研究组织Data 61研究院);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)
针对行人轨迹预测的不确定性与多模态挑战,提出能量规划去噪模型,结合朗之万能量模型的粗略分布估计与扩散模型去噪优化,实现高效的多模态随机轨迹预测,在公开数据集上取得最优结果。
2024-05-12 cs.CV
Stochastic trajectory prediction with social graph network
Intel Labs China(英特尔中国研究院)
由于现实世界中人类社会行为的复杂性和未来运动的不确定性,行人轨迹预测是一项具有挑战性的任务。对于第一个问题,现有的方法采用全连通拓扑结构来建模社会行为,而忽略了非对称的成对关系。为了有效地捕捉相关行人的社会行为,我们利用有向社会图,这是动态构建的及时位置和速度方向。基于社会图,我们进一步提出了一个网络来收集社会效果,并与个人表示积累,以产生面向目的地和社会意识的表示。对于第二个问题,而不是建模的不确定性,整个未来作为一个整体,我们利用时间随机方法顺序学习的不确定性在社会互动的先验模型。然后通过对先验模型进行采样并使用分层LSTM进行渐进解码来生成下一步骤的预测。在两个公共数据集上的实验结果表明了该方法的有效性,特别是在非常拥挤的场景中预测轨迹时。
2019-07-24 cs.CV
FoSS: Modeling Long Range Dependencies and Multimodal Uncertainty in Trajectory Prediction via Fourier State Space Integration
Brunel University of London(伦敦布鲁内尔大学);University of Birmingham(伯明翰大学)
FoSS通过结合频域和时域建模,有效提升轨迹预测的准确性和效率,减少计算与参数消耗,实现多模态不确定性建模。
2026-03-01 cs.CV
Improved Trajectory Reconstruction for Markerless Pose Estimation
Shirley Ryan AbilityLab(雪莉·瑞安能力实验室);Northwestern University(西北大学);Stanford University(斯坦福大学)
无标记位姿估计允许从多个同步和校准的视图重建人体运动,并且具有使运动分析(包括步态分析)容易和快速的潜力。这可以更频繁地量化步态障碍的特征,从而更好地监测干预措施的结果和反应。然而,不同的关键点检测器和重建算法对无标记位姿估计精度的影响尚未得到彻底评估。我们测试了这些算法的选择从多摄像机系统从一个异构的样本中看到的25个人在康复医院的数据。我们发现,使用自上而下的关键点检测器并使用隐式函数重建轨迹可以实现准确,平滑和解剖学上合理的轨迹,与仅8mm的GaitRite走道相比,步长估计中存在噪声。
2023-03-08 cs.CV
DD-MDN: Human Trajectory Forecasting with Diffusion-Based Dual Mixture Density Networks and Uncertainty Self-Calibration
Faculty of Engineering, University of Applied Sciences Aschaffenburg(亚琛应用科学大学工程学院);Intelligent Embedded Systems Lab, University of Kassel(卡塞尔大学智能嵌入式系统实验室)
DD-MDN通过结合扩散模型和双混合密度网络,实现高精度的人体轨迹预测,具备自校准的不确定性建模和对短观察期的鲁棒性。
2026-02-11 cs.CV cs.RO
Uncertainty-Aware Diffusion Model for Multimodal Highway Trajectory Prediction via DDIM Sampling
本文提出cVMDx模型,通过DDIM采样提升效率和鲁棒性,实现高效多模态轨迹预测并增强不确定性估计能力。
2026-02-24 cs.CV cs.LG cs.RO
Privacy-preserving and Uncertainty-aware Federated Trajectory Prediction for Connected Autonomous Vehicles
Northeastern University(东北大学);University of Connecticut(康涅狄格大学)
深度学习是自动驾驶车辆轨迹预测的首选方法。不幸的是,其数据饥渴的性质隐含地要求提供足够丰富和高质量的集中式数据集,这很容易导致隐私泄露。此外,不确定性意识对于安全关键的网络物理系统变得越来越重要,其预测模块严重依赖于机器学习工具。在本文中,我们放宽了数据汇集的要求,并通过使用联邦学习的不确定性意识的全局目标的互联自动驾驶汽车,提高不确定性意识。我们将我们的算法命名为FLTP。我们进一步介绍了ALFLTP,它通过使用主动学习技术,在自适应选择参与客户端来提高FLTP。我们认为负对数似然(NLL)和任意的不确定性(AU)作为客户端选择指标。在Argoverse数据集上的实验表明,FLTP显著优于在本地数据上训练的模型。此外,ALFLTP-AU在训练回归损失方面收敛得更快,并且在大多数轮次中在NLL,minADE和MR方面比FLTP表现得更好,并且比ALFLTP-NLL具有更稳定的轮性能。
2023-03-08 cs.CV cs.DC cs.LG
Using Ensemble Diffusion to Estimate Uncertainty for End-to-End Autonomous Driving
Norwegian University of Science and Technology(挪威科学技术大学)
提出EnDfuser系统,利用扩散模型作为轨迹规划器,通过集成扩散从单一感知帧生成候选轨迹分布,实现不确定性感知决策,在LAV基准上驾驶评分提升1.7%。
2026-05-22 cs.CV cs.RO
Producing and Leveraging Online Map Uncertainty in Trajectory Prediction
University of Toronto(多伦多大学);Vector Institute(向量研究所);NVIDIA Research(英伟达研究院);Stanford University(斯坦福大学)
本文扩展多种在线地图估计方法以额外生成不确定性,并将其与轨迹预测任务紧密集成,在 nuScenes 数据集上实现了最高 50% 的训练收敛加速和 15% 的预测性能提升。
2024-03-25 cs.CV cs.LG cs.RO
Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction
Stanford University(斯坦福大学)
尽管神经网络作为预测模型在各个领域都取得了巨大的成功,但它们对分布外(OOD)数据的预测可能过于自信。为了适用于安全关键型应用,如自动驾驶汽车,神经网络必须准确地估计其认知或模型的不确定性,实现一定程度的系统自我意识。用于认知不确定性量化的技术通常需要在训练期间的OOD数据或在推理期间的多个神经网络正向传递。这些方法可能不适用于高维输入的实时性能。此外,现有的方法缺乏估计的不确定性的可解释性,这限制了它们对工程师进一步系统开发和自治堆栈中的下游模块的有用性。我们提出使用证据深度学习来估计轨迹预测设置中的低维可解释潜在空间上的认知不确定性。我们引入了一个可解释的轨迹预测模式,分布的语义概念之间的不确定性:过去的代理行为,道路结构和社会背景。我们在真实世界的自动驾驶数据上验证了我们的方法,展示了超越最先进基线的卓越性能。我们的代码可在https://github.com/sisl/InterpretableSelfAwarePrediction上获得。
2022-11-16 cs.CV cs.LG cs.RO
Human Trajectory Forecasting with Explainable Behavioral Uncertainty
University of Leeds(利兹大学);University of Maryland at College Park(马里兰大学帕克分校)
本文提出结合贝叶斯神经网络与行为随机微分方程的 BNSP-SFM 模型,在提升人类轨迹预测精度的同时提供可解释的行为不确定性量化,并展现出更强的跨场景泛化能力。
2023-07-04 cs.AI cs.CV
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
Heteroscedastic Diffusion for Multi-Agent Trajectory Modeling
Institut de Robòtica i Informàtica Industrial, CSIC-UPC(机器人与信息学院,CSIC-UPC)
本文提出U2Diffine模型,通过异方差不确定性估计提升多智能体轨迹补全与预测性能,结合Taylor近似和RankNN实现高效推理与误差概率评估,优于现有方法。
2026-05-11 cs.CV cs.LG
Vision-Aided Absolute Trajectory Estimation Using an Unsupervised Deep Network with Online Error Correction
GTS;US Army Research Laboratory(美国陆军研究实验室)
我们提出了一种无监督的深度神经网络方法来融合RGB-D图像与惯性测量,以进行绝对轨迹估计。我们的网络被称为视觉惯性测距学习器(VIOLearner),学习在没有惯性测量单元(IMU)内部参数(对应于陀螺仪和加速度计偏差或白噪声)或IMU和相机之间的外部校准的情况下执行视觉惯性测距(VIO)。该网络学习整合IMU测量值并生成假设轨迹,然后根据缩放图像投影误差相对于像素坐标空间网格的雅可比矩阵在线校正这些假设轨迹。我们评估了我们的网络对国家的最先进的(SOA)视觉惯性里程计,视觉里程计,视觉同时定位与地图构建(VSLAM)的KITTI里程计数据集的方法,并展示了竞争力的里程计性能。
2018-03-08 cs.CV cs.RO
RopeTP: Global Human Motion Recovery via Integrating Robust Pose Estimation with Diffusion Trajectory Prior
本研究提出RopeTP框架,融合分层注意力增强的鲁棒姿态估计与扩散轨迹先验,从视频重建全局人体运动,在遮挡场景及对比SLAM类方法的基准测试中取得更优表现。
2024-11-01 cs.AI cs.CV
On Attacking Out-Domain Uncertainty Estimation in Deep Neural Networks
University of Notre Dame(圣母大学)
在许多具有现实后果的应用中,为人工智能决策系统所做的预测开发可靠的不确定性估计至关重要。针对估计不确定性的目标,已经提出了各种基于深度神经网络(DNN)的不确定性估计算法。然而,这些算法返回的不确定性的鲁棒性还没有被系统地探讨。在这项工作中,为了提高研究界对鲁棒不确定性估计的认识,我们表明,最先进的不确定性估计算法可能会在我们提出的对抗攻击下发生灾难性失败,尽管它们在不确定性估计方面表现出色。特别是,我们的目标是攻击域外不确定性估计:在我们的攻击下,不确定性模型将被愚弄,对域外数据进行高置信度的预测,而这些数据最初会被拒绝。在各种基准图像数据集上的大量实验结果表明,最先进的方法估计的不确定性很容易被我们的攻击破坏。
2022-10-12 cs.AI cs.CV cs.LG
Training-Free Uncertainty Estimation for Dense Regression: Sensitivity as a Surrogate
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Rutgers University(罗格斯大学)
不确定性估计是评估计算机视觉中深度学习模型鲁棒性的重要步骤,尤其是在应用于风险敏感领域时。然而,大多数最先进的深度学习模型要么无法获得不确定性估计,要么需要进行重大修改(例如,大多数以前的方法都不能把一个任意的模型从货架上拿下来,产生不确定性估计,而不重新训练或重新设计它。为了解决这个差距,我们进行了系统的探索到训练免费密集回归的不确定性估计,一个未被认识到的重要问题,并提供了一个理论建设证明这样的估计。我们提出了三种简单且可扩展的方法来分析训练网络在可容忍扰动下的输出方差:推断转换,推断噪声和推断辍学。它们仅在推理期间操作,而不需要重新训练、重新设计或微调模型,而这通常是最先进的不确定性估计方法所要求的。令人惊讶的是,即使在训练中不涉及这种扰动,与需要训练的最先进的方法相比,我们的方法也能产生相当甚至更好的不确定性估计。
2022-01-11 cs.CV cs.LG
Uncertainty-Aware Driver Trajectory Prediction at Urban Intersections
Toyota Research Institute(丰田研究院);Computer Science and Artificial Intelligence Lab, Massachusetts Institute of Technology(麻省理工学院计算机科学与人工智能实验室)
预测驾驶员车辆的运动对于先进的驾驶系统至关重要,可以检测驾驶员和自动化系统之间共享控制的潜在风险。在本文中,我们提出了一种变分神经网络方法,预测未来的驾驶员轨迹分布的车辆基于多个传感器。我们的预测器生成未来轨迹的条件变分分布,以及不同时间范围的置信度估计。我们的方法允许我们处理固有的不确定情况,并从每个输入中推理信息增益,以及将我们的模型与其他预测因子结合起来,创建专家的混合专家模型。我们展示了如何用基于物理的预测器来增强变分预测器,并根据其置信度估计,提高整体系统性能。由此产生的组合模型知道与其预测相关的不确定性,这可以帮助车辆自主做出更有信心的决策。该模型在多个地点收集的真实城市驾驶数据上进行了验证。该验证表明,我们的方法将基于物理模型的预测误差提高了25%,同时成功识别了82%准确率的不确定情况。
2019-03-06 cs.AI cs.CV cs.LG
Real-Time Uncertainty Estimation in Computer Vision via Uncertainty-Aware Distribution Distillation
Samsung Inc(三星公司);Cornell University(康奈尔大学)
不确定性的校准估计对于深度学习的许多现实世界计算机视觉应用至关重要。虽然有几种广泛使用的不确定性估计方法,辍学推断突出其简单性和有效性。然而,这种技术在推理期间需要通过网络的多次前向传递,因此可能过于资源密集而不能部署在实时的【形】应用中。我们提出了一种简单,易于优化的蒸馏方法,用于学习预训练的辍学模型的条件预测分布,用于计算机视觉任务中的快速,无样本不确定性估计。我们经验性地测试了所提出的方法在语义分割和深度估计任务上的有效性,并证明了我们的方法可以显着减少推理时间,实现实时的【形】不确定性量化,同时实现了比常规辍学模型更高质量的不确定性估计和预测性能。
2020-11-06 cs.CV cs.LG stat.ML
Towards calibrated and scalable uncertainty representations for neural networks
Cornell University(康奈尔大学);Cornell Tech(康奈尔理工学院);Shutterstock(Shutterstock公司);Rochester Institute of Technology(罗切斯特理工学院)
对于许多应用来说,了解神经网络预测的不确定性是至关重要的。虽然已经提出了各种神经网络参数估计方法用于不确定性估计,但是它们没有在不确定性度量之间进行严格的比较。我们评估这些参数估计方法校准不确定性估计使用四种不同的不确定性度量:熵,互信息,任意的不确定性和认知的不确定性。我们评估这些参数估计方法的校准使用预期的校准误差。此外,我们提出了一种新的神经网络参数估计方法,称为RECST,它结合了余弦退火与热重启与随机梯度Langevin动力学,捕捉更多样化的参数分布。当基准对残缺的图像数据,我们表明,RECAST是良好的校准和预测熵和认知不确定性相结合时,它提供了最好的校准措施的不确定性相比,最近的方法。
2019-12-04 cs.CV cs.LG stat.ML