Aircraft Landing Time Prediction with Deep Learning on Trajectory Images
Institute for Infocomm Research, Agency for Science, Technology and Research（资讯通信研究院，科技研究局）
本研究提出一种基于轨迹图像和卷积神经网络的飞机降落时间预测方法，通过融合等待特征化模块，将平均绝对误差降至43.96秒，准确率达96.1%。
2024-01-02 cs.LG
Pedestrian Trajectory Prediction in Pedestrian-Vehicle Mixed Environments: A Systematic Review
University of Waterloo（滑铁卢大学）
本文遵循PRISMA流程系统综述车辆存在场景下的行人轨迹预测方法，筛选64篇论文，梳理模型、数据集、交互与不确定性处理，并指出未来研究方向。
2023-08-11 cs.AI cs.HC cs.LG
Phased Flight Trajectory Prediction with Deep Learning
Lehigh University（理海大学）；Embry-Riddle Aeronautical University（安柏瑞德航空大学）
未来十年，商业航空公司和私人飞机的空前增长对空中交通管制提出了挑战。准确的飞行轨迹预测在航空运输管理中具有重要意义，有助于航空运输安全有序的决策。现有的研究和应用主要集中在基于历史轨迹的序列生成上，而在拥挤空域尤其是繁忙机场附近空域的机-机干扰问题却被大量忽略。另一方面，不同飞行阶段的空气动力学特性不同，飞行轨迹可能会受到各种不确定因素的影响，例如天气和空中交通管制员的指令。然而，没有文献充分考虑所有这些问题。因此，我们提出了一个分阶段的飞行轨迹预测框架。多源和多模态数据集已经使用递归神经网络（RNN）混合的变体进行了分析和挖掘。具体而言，我们首先将时空图引入到低空航路预测问题中，并将飞机的运动约束嵌入到推理过程中，以获得可靠的预测结果。在途中阶段，双注意力机制被用来自适应地提取更重要的功能，从整体数据集学习隐藏模式在动态环境中。实验结果表明，我们提出的框架可以优于国家的最先进的方法，为大型客运/运输飞机的飞行轨迹预测。
2022-03-17 cs.LG
Trajectory growth lower bounds for random sparse deep ReLU networks
Mathematical Institute（数学研究所）；University of Oxford（牛津大学）
本文考虑了一维轨迹在通过深度ReLU神经网络时长度的增长，这是深度网络表达能力的一种度量。我们概括了现有的结果，提供了一种替代的，更简单的方法，通过随机网络的下界预期轨迹增长，更一般的权重分布，包括稀疏连接的网络。我们说明了这种方法推导出的稀疏高斯，稀疏均匀，稀疏离散值随机网的界限。我们证明，轨迹增长可以保持指数的深度与这些新的分布，包括他们的稀疏变量，与稀疏参数出现在指数的基础。
2019-11-25 cs.LG stat.ML
Amortized Global Search for Efficient Preliminary Trajectory Design with Deep Generative Models
Princeton University（普林斯顿大学）
本文提出摊销全局搜索框架AmorGS，利用深度生成模型预测与已求解问题结构相似的轨迹解，以加速高维非凸初步轨迹设计中对新参数的全局搜索，并在基准函数和低推力三体问题上验证了有效性。
2023-08-07 cs.LG math.OC
eFedDNN: Ensemble based Federated Deep Neural Networks for Trajectory Mode Inference
Toronto Metropolitan University（多伦多都会大学）；Royal Military College（皇家军事学院）
作为智能移动系统中最重要的数据源，GPS轨迹可以帮助识别用户的出行模式。然而，这些GPS数据集可能包含用户的私人信息（例如，家庭位置），防止许多用户与第三方共享他们的私人信息。因此，在保护用户隐私的同时识别出行模式是一个重要的问题。为了应对这一挑战，我们使用了联邦学习（FL），这是一种隐私保护的机器学习技术，旨在通过访问用户的本地训练模型而不是原始数据来协同训练一个健壮的全局模型。具体来说，我们设计了一种新的基于集成的联邦深度神经网络（eFedDNN）。集成方法结合了用户通过FL学习的不同模型的输出，并显示出超越文献中报道的可比模型的准确性。在蒙特利尔真实世界开放获取数据集上进行的广泛实验研究表明，所提出的推理模型可以在不影响隐私的情况下准确识别用户的旅行模式。
2022-05-11 cs.LG
LSTM-TrajGAN: A Deep Learning Approach to Trajectory Privacy Protection
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
基于位置的服务的流行促成了个人层面轨迹数据的爆炸式增长，也引发了公众对隐私问题的担忧。在这项研究中，我们提出了一种新的LSTM-TrajGAN方法，这是一种端到端的深度学习模型，用于生成隐私保护的合成轨迹数据，用于数据共享和发布。我们设计了一个损失度量函数TrajLoss来衡量模型训练和优化的轨迹相似性损失。该模型在真实世界的语义轨迹数据集上的自动用户链接任务上进行评估。与其他常见的地理掩蔽方法相比，我们的模型可以更好地防止用户被重新识别，它也保留了必要的空间，时间和主题的真实轨迹数据的特征。该模型更好地平衡了轨迹隐私保护的有效性和空间和时间分析的效用，为GeoAI驱动的隐私保护提供了新的见解。
2020-06-14 cs.AI cs.CR cs.LG
Real Time Trajectory Prediction Using Deep Conditional Generative Models
Max Planck for Intelligent Systems（马克斯·普朗克智能系统研究所）；Technische Universitaet Darmstadt（达姆施塔特工业大学）
用于量化不确定性的时间序列预测的数据驱动方法为具有硬实时的约束的机器人任务开辟了新的重要可能性，允许机器人系统做出在预测的反应时间和准确性之间进行权衡的决策。尽管最近在深度学习方面取得了进展，但在实时的机器人系统所需的低延迟下进行长期准确的预测仍然具有挑战性。在本文中，我们提出了一种用于轨迹预测的深度条件生成模型，该模型是从收集的轨迹数据集中学习的。我们的方法使用编码器和解码器深度网络，将完整或部分轨迹映射到高斯分布的潜在空间并返回，从而允许快速推断给定先前观察结果的轨迹的未来值。编码器和解码器网络使用随机梯度变分贝叶斯进行训练。在实验中，我们表明，我们的模型提供了更准确的长期预测，具有较低的延迟，流行的轨迹预测模型，如递归神经网络或基于微分方程的物理模型。最后，我们测试我们提出的方法在机器人乒乓球的情况下，评估所提出的方法在机器人任务与硬实时的约束的性能。
2020-01-07 cs.LG stat.ML
Data Driven Aircraft Trajectory Prediction with Deep Imitation Learning
University of Piraeus（比雷埃夫斯大学）
目前世界各地的空中交通管理系统在可预测性、效率和成本效益方面已经达到极限。世界范围内的不同倡议提出了以自动化为导向的转型，需要高保真的飞机轨迹规划和预测能力，有效地支持轨迹生存周期的所有阶段。最近提出的数据驱动的轨迹预测方法提供了有前途的结果。在本文中，我们将数据驱动的轨迹预测问题作为一个模仿学习任务，我们的目标是模仿专家“塑造”的轨迹。为了实现这一目标，我们提出了一个全面的框架，包括生成对抗模仿学习最先进的方法，在一个管道与轨迹聚类和分类方法。与其他方法相比，与现有技术的方法相比，该方法可以在战术前（即，在特定时刻在出发机场开始）和战术（即，从飞行时的任何状态）阶段提供对整个轨迹的准确预测（即，具有直到到达目的地的预测范围）。
2020-05-16 cs.AI cs.LG stat.ML
Data-Efficient and Interpretable Classification of Circulating Tumor Cell Phenotypes in Microfluidic Devices via Deep Learning
Texas Tech University（德克萨斯理工大学）
该研究针对微流控设备中CTC表型分类的数据稀缺与可解释性问题，提出含SubSeq增强策略的可解释DNN框架，提升了分类准确率并揭示局部轨迹的生物物理信息价值。
2026-08-18 cs.LG
Review of Pedestrian Trajectory Prediction Methods: Comparing Deep Learning and Knowledge-based Approaches
University of Wuppertal（伍珀塔尔大学）
在人群场景中，预测行人的轨迹是一项复杂且具有挑战性的任务，取决于许多外部因素。场景的拓扑结构和行人之间的交互只是其中的一部分。由于数据科学和数据汇集技术的进步，深度学习方法最近已经成为许多领域的研究热点。因此，越来越多的研究人员将这些方法应用于预测行人的轨迹也就不足为奇了。本文将这些相对较新的深度学习算法与广泛用于模拟行人动力学的经典知识模型进行了比较。它提供了一个全面的文献综述这两种方法，探讨技术和应用导向的差异，并解决开放的问题以及未来的发展方向。我们的调查指出，由于深度学习算法的高准确性，基于知识的模型预测局部轨迹的相关性现在是值得怀疑的。然而，深度学习算法在大规模模拟和集体动态描述方面的能力仍有待证明。此外，比较表明，这两种方法的组合（混合方法）似乎有希望克服深度学习方法缺乏可解释性等缺点。
2022-09-09 cs.LG physics.soc-ph stat.ML
CATS: Conditional Adversarial Trajectory Synthesis for Privacy-Preserving Trajectory Data Publication Using Deep Learning Approaches
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Columbia University（哥伦比亚大学）
CATS框架通过K-匿名分布约束、条件对抗训练、注意力上下文学习和二分图匹配，生成高质量隐私保护轨迹数据，并在9万条GPS轨迹上验证了其在隐私、时空特征和下游效用上的优势。
2023-09-20 cs.AI cs.CR cs.LG
Efficient and Effective Similar Subtrajectory Search with Deep Reinforcement Learning
Nanyang Technological University（南洋理工大学）
相似轨迹搜索是一个基本的问题，在过去的二十年里得到了很好的研究。然而，相似子轨迹搜索（SimSub）问题，旨在返回轨迹的一部分（即，子轨迹），其与查询轨迹最相似，尽管它可以以更细粒度的方式捕获轨迹相似性，并且许多应用将子轨迹作为用于分析的基本单元，但其大多被忽视。在本文中，我们研究了SimSub问题，并开发了一套算法，包括精确和近似的。在这些近似算法中，基于深度强化学习的两种算法脱颖而出，在有效性和效率方面优于那些非基于学习的算法。我们在真实世界的轨迹数据集上进行了实验，验证了所提出的算法的有效性和效率。
2020-07-14 cs.DB cs.LG
Machine Learning for Autonomous Vehicle's Trajectory Prediction: A comprehensive survey, Challenges, and Future Research Directions
Indian Institute of Technology, Roorkee（印度鲁基理工学院）
本文综述自动驾驶车辆轨迹预测研究，系统梳理200余篇文献中的传统、深度学习与强化学习方法，并比较数据集、指标及两类学习过程，指出挑战与未来方向。
2023-07-12 cs.AI cs.LG
DETECT: Deep Trajectory Clustering for Mobility-Behavior Analysis
University of Southern California（南加利福尼亚大学）
在丰富的轨迹数据中识别移动行为对于包括城市规划、营销和智能在内的各种应用具有巨大的经济和社会利益。现有的工作轨迹聚类往往依赖于利用原始的空间和/或时间信息的轨迹的相似性测量。这些措施是无法识别类似的运动行为，表现出不同的时空尺度的运动。此外，标记大量轨迹数据的费用是监督学习模型的障碍。为了解决这些挑战，我们提出了一种用于移动行为聚类的无监督神经方法，称为深度嵌入式TrajEctory聚类网络（DETECT）。DETECT分三个部分操作：首先，它通过总结轨迹的关键部分并利用从其地理位置导出的上下文（例如，使用地名录中的兴趣点）。在第二部分中，它学习行为的潜在空间中的轨迹的强大表示，从而能够应用聚类函数（例如$k$ -means）。最后，一个面向聚类的损失是直接建立在嵌入的功能，共同执行功能细化和集群分配，从而提高移动行为之间的分离性。在两个真实世界数据集上进行的详尽的定量和定性实验证明了我们的移动行为分析方法的有效性。
2020-03-03 cs.LG stat.ML
Improved Exploration through Latent Trajectory Optimization in Deep Deterministic Policy Gradient
Arizona State University（亚利桑那州立大学）；Google DeepMind（谷歌DeepMind）
深度确定性策略梯度（DDPG）等无模型强化学习算法通常需要额外的探索策略，特别是当参与者具有确定性时。这项工作评估了使用基于模型的轨迹优化方法用于探索深度确定性策略梯度时，训练的潜像嵌入。此外，DDPG的扩展派生使用价值函数作为评论家，利用学习的深度动力学模型来计算策略梯度。这种方法导致深度强化学习算法和潜在轨迹优化器之间的共生关系。轨迹优化器受益于RL算法学习的评论家，后者受益于规划器生成的增强探索。两个连续的控制任务，一个在模拟和一个在现实世界中的方法进行评估。特别是，Baxter机器人被训练来执行插入任务，同时只接收稀疏的奖励和图像作为来自环境的观察。
2019-11-15 cs.AI cs.LG cs.RO
Online Deep Learning for Improved Trajectory Tracking of Unmanned Aerial Vehicles Using Expert Knowledge
Nanyang Technological University（南洋理工大学）；Aarhus University（奥胡斯大学）
本工作提出了一种基于在线学习的控制方法，用于同时使用深度学习和专家知识来改进无人机的轨迹跟踪。所提出的方法不需要精确的系统模型进行控制，它是对系统动态变化以及操作的不确定性鲁棒性。学习分为两个阶段：离线（前）培训和在线（后）培训。在前者中，常规控制器执行一组轨迹，并且基于输入-输出数据集，训练基于深度神经网络（DNN）的控制器。在后者中，模仿传统控制器的经过训练的DNN控制系统。与文献中现有的论文不同，该网络仍在针对DNN训练阶段未使用的不同轨迹集进行训练。由于规则库，其中包含的专家知识，所提出的框架学习系统动态和操作的不确定性实时。实验结果表明，所提出的在线学习为基础的方法提供了更好的轨迹跟踪性能相比，只有离线训练的网络。
2019-05-26 cs.LG cs.RO
DeepTrack: Lightweight Deep Learning for Vehicle Path Prediction in Highways
The UNC at Charlotte（北卡罗来纳大学夏洛特分校）；University of Minnesota（明尼苏达大学）
车辆轨迹预测对于实现管理和运营中使用的安全关键型智能交通系统（ITS）应用至关重要。虽然该领域已经取得了一些有希望的进展，但仍然需要现代深度学习算法，以便在嵌入式物联网设备上进行实时轨迹预测。本文介绍了DeepTrack，这是一种新型的深度学习算法，专为动脉管理、高速公路管理、交通事件管理和高速进入交通的工作区管理中的实时车辆轨迹预测和监控应用而定制。与以前的方法相比，车辆动力学编码使用时间卷积网络（TCN），以提供更强大的时间预测与更少的计算。DeepTrack还使用了深度卷积，与现有方法相比，它在模型大小和操作方面降低了模型的复杂性。总的来说，我们的实验结果表明，DeepTrack实现了与最先进的轨迹预测模型相当的准确性，但模型尺寸更小，计算复杂性更低，使其更适合现实世界的部署。
2022-05-25 cs.LG cs.RO
Discovering Behavioral Modes in Deep Reinforcement Learning Policies Using Trajectory Clustering in Latent Space
Norwegian University of Science and Technology (NTNU)（挪威科技大学）；Centre for Autonomous Marine Operations and Systems (AMOS)（自主海洋作业与系统中心）
本文提出在DRL策略的潜在空间中结合PaCMAP降维与TRACLUS轨迹聚类，以识别行为模式和次优决策，并通过领域知识针对性提升Mountain Car任务中的策略性能。
2024-02-20 cs.AI cs.LG
Trajectory Data Management and Mining: A Survey from Deep Learning to the LLM Era
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The University of Melbourne（墨尔本大学）；Zhejiang University（浙江大学）；Ocean University of China（中国海洋大学）；Beijing Jiaotong University（北京交通大学）；Squirrel AI（松鼠AI）；Chongqing University（重庆大学）；University of Electronic Science and Technology of China（电子科技大学）；Hong Kong University of Science and Technology（香港科技大学）
本文综述了轨迹计算从深度学习到大语言模型的发展，探讨了轨迹数据管理与挖掘的应用及未来研究方向。
2026-01-31 cs.AI cs.CY cs.DB
Data-efficient Deep Reinforcement Learning for Vehicle Trajectory Control
RWTH Aachen University（亚琛工业大学）；ZF Friedrichshafen AG（采埃孚股份公司）
本文针对车辆轨迹控制中标准强化学习数据需求过大的问题，研究了REDQ、PETS-MPPI和MBPO三种数据高效深度强化学习方法，并提出分离动力学预测与车辆定位的新形式，在CARLA上以降低一个数量级以上的环境交互次数达到与SAC相当或更优的控制性能。
2023-11-30 cs.LG cs.RO
Deep Gaussian Covariance Network with Trajectory Sampling for Data-Efficient Policy Search
Zalando SE（扎兰多公司）；Institute for Modelling and High Performance Computing（建模与高性能计算研究所）；Niederrhein University of Applied Sciences（下莱茵应用科学大学）
提出结合轨迹采样与深度高斯协方差网络（DGCN）的方法，通过概率世界模型提升基于模型的强化学习在最优控制中的数据效率与策略鲁棒性。
2024-03-23 cs.LG stat.ML
Off-road Autonomous Vehicles Traversability Analysis and Trajectory Planning Based on Deep Inverse Reinforcement Learning
Key Lab of Machine Perception (MOE), Peking University（北京大学机器感知重点实验室（教育部））
地形可通过性分析是实现机器人在越野环境下自主行走的基础。基于几何和基于外观的方法已经研究了几十年，而基于行为的方法利用从演示示教学习（LfD）是新的趋势。基于行为的方法学习成本函数，指导轨迹规划符合专家的演示，这可以更可扩展到各种场景和驾驶行为。提出了一种基于深度最大熵逆强化学习的越野可通过性分析和轨迹规划方法。为了在解决状态空间复杂度指数增长的问题的同时结合车辆的运动学，使用了两个卷积神经网络，RL ConvNet和Svf ConvNet被开发用于将运动学编码到卷积核中，并实现高效的前向强化学习。我们在越野环境中进行实验。场景地图使用3D LiDAR数据生成，专家演示是车辆在场景中的真实行驶轨迹，或者是合成的轨迹，以表示特定的行为，例如穿越负面障碍物。在不同的能力场景下学习和测试了不同的可通行性分析成本函数，以指导不同行为的轨迹规划。我们还证明了所提出的方法的性能和计算效率。
2020-05-09 cs.LG cs.RO
Feasible Low-thrust Trajectory Identification via a Deep Neural Network Classifier
Australian Centre for Space Engineering Research (ACSER), University of New South Wales (UNSW)（新南威尔士大学澳大利亚航天工程研究中心）
近年来，深度学习技术被引入到轨迹优化领域，以提高收敛性和速度。训练这样的模型需要大量的轨迹数据集。然而，收敛的小推力（LT）优化是不可预测的优化过程结束之前。对于随机初始化的低推力转换数据生成，大部分计算能力将浪费在优化不可行的低推力转换上，这导致低效的数据生成过程。这项工作提出了一种深度神经网络（DNN）分类器，可以在优化过程之前准确识别可行的LT传输。DNN分类器的总体准确率达到97.9%，在测试算法中具有最佳性能。精确的小推力轨迹可行性识别可以避免对不期望的样本进行优化，使得大多数优化样本是收敛的LT轨迹。这种技术能够为具有不同航天器配置的不同任务场景有效地生成数据集。
2022-02-10 astro-ph.IM cs.LG cs.RO
Multi-Agent Deep Reinforcement Learning Based Trajectory Planning for Multi-UAV Assisted Mobile Edge Computing
Department of Computer and Information Science, Northumbria University（诺森比亚大学计算机与信息科学系）；School of Electronic Engineering and Computer Science, Queen Mary University of London（伦敦玛丽女王大学电子工程与计算机科学学院）；National Mobile Communications Research Lab, Southeast University（东南大学国家移动通信研究实验室）；Purple Mountain Laboratories（紫金山实验室）；School of Electronics and Computer Science, University of Southampton（南安普顿大学电子与计算机科学学院）
提出了一种无人机辅助的移动边缘计算框架，其中多个具有不同轨迹的无人机在目标区域上空飞行并支持地面上的用户设备。我们的目标是联合优化所有UE之间的地理公平性，每个UAV的UE负载的公平性和UE的整体能耗。上述优化问题既包含整数变量又包含连续变量，求解起来具有挑战性。为了解决上述问题，提出了一种基于多智能体深度强化学习的轨迹控制算法，用于独立管理每个无人机的轨迹，其中应用了流行的多智能体深度确定性策略梯度（MADDPG）方法。给定UAV的轨迹，引入低复杂度方法以用于优化UE的卸载决策。我们表明，我们提出的解决方案具有相当大的性能比其他传统算法，无论是在公平性服务UE，公平性的UE负载在每个无人机和所有的UE的能量消耗。
2020-09-23 cs.LG eess.SP
Human Trajectory Prediction using Spatially aware Deep Attention Models
International Institute of Information Technology, Bangalore（国际信息技术学院（班加罗尔））
动态目标的轨迹预测是人工智能领域的一个研究热点。由于大量的应用，如预测异常事件，盲人导航系统等，已经有许多方法尝试使用各种各样的技术直接从数据中学习运动模式，从手工制作的特征到用于无监督特征学习的复杂深度学习模型。所有这些方法都受到问题的限制，例如手工制作特征的情况下的低效特征、跨预测轨迹的大误差传播以及动态移动对象周围的静态伪影的信息。我们提出了一个端到端的深度学习模型，使用非常流行的序列到序列模型加上软注意力机制，直接从数据中使用不同的导航模式来学习人类的运动模式。我们还提出了一种新的方法来模拟场景中的静态文物，并使用这些来预测动态轨迹。所提出的方法，测试行人的轨迹，一贯优于以前提出的各种大规模数据集的最先进的方法。我们还展示了我们的架构如何自然地扩展到同时处理多种运动模式（例如行人，溜冰者，骑自行车的人和公共汽车）。
2017-05-26 cs.AI cs.LG
Adversarially Learned Abnormal Trajectory Classifier
Polytechnique Montréal（蒙特利尔高等理工学院）
我们解决的问题异常事件检测轨迹数据。在本文中，提出了一种新的对抗性方法，用于构建一个深度神经网络二元分类器，以无监督的方式训练，可以区分正常和异常的基于概率的事件，而无需设置手动检测阈值。受生成对抗网络（GAN）框架的启发，我们的GAN版本是一个有区别的版本，其中训练了神经网络来区分由深度自动编码器给出的正常和异常轨迹重建错误。与城市交通视频及其相关的轨迹，我们提出的方法给出了最好的准确性异常轨迹检测。此外，我们的模型可以很容易地推广到基于异常概率的事件检测，并且仍然可以产生最好的行为检测结果，如CAVIAR数据集所示。
2019-04-03 cs.LG stat.ML
Road User Abnormal Trajectory Detection using a Deep Autoencoder
Polytechnique Montréal（蒙特利尔高等理工学院）
在本文中，我们专注于开发一种方法，检测异常轨迹的道路使用者在交通路口。这方面的主要困难是异常数据很少，正常数据不足以训练任何类型的机器学习模型。为了解决这些问题，我们提出了使用深度自动编码器网络的解决方案，该网络仅通过被视为正常的增强数据进行训练。通过生成人工异常轨迹，我们的方法进行了测试，在四个不同的户外城市用户场景和一些经典的离群点检测方法相比，表现更好。
2018-08-25 cs.CV cs.LG stat.ML
DiffTORI: Differentiable Trajectory Optimization for Deep Reinforcement and Imitation Learning
University of California San Diego（加利福尼亚大学圣地亚哥分校）；Tsinghua University（清华大学）；Carnegie Mellon University（卡内基梅隆大学）
针对以往基于模型的强化学习的目标不匹配问题，提出将可微轨迹优化作为策略表示的DiffTORI方法，实现端到端学习，在多类机器人操作任务上性能优于现有最优方法。
2025-06-13 cs.AI cs.LG cs.RO
Can We Optimize Deep RL Policy Weights as Trajectory Modeling?
Mila - Québec AI Institute（米拉-魁北克人工智能研究所）；Université de Montréal（蒙特利尔大学）；Tianjin University（天津大学）
本文将深度强化学习的策略网络权重轨迹视为新数据模态，提出利用Transformer自回归处理权重的TIPL模型，通过拟合策略学习的隐式动力学，实现基于推理的策略网络优化。
2025-03-06 cs.AI cs.LG cs.NE
Robust, High-Rate Trajectory Tracking on Insect-Scale Soft-Actuated Aerial Robots with Deep-Learned Tube MPC
Massachusetts Institute of Technology（麻省理工学院）；Imperial College London（帝国理工学院）；University of Washington（华盛顿大学）
亚克级微型飞行器（MAVs）的精确和敏捷的轨迹跟踪是具有挑战性的，因为机器人的小尺度引起大的模型不确定性，需要鲁棒反馈控制器，而快速的动力学和计算约束阻止了计算昂贵的策略的部署。在这项工作中，我们提出了一种方法，用于在MIT SoftFly上进行敏捷和计算效率高的轨迹跟踪，这是一种亚克MAV（0.7克）。我们的策略采用级联控制方案，自适应姿态控制器与神经网络策略相结合，训练模仿轨迹跟踪鲁棒管模型预测控制器（RTMPC）。神经网络的政策，得到使用我们最近的工作，这使得该政策，以保持RTMPC的鲁棒性，但在其计算成本的一小部分。我们通过实验评估了我们的方法，即使在更具挑战性的机动中，位置均方根误差也低于1.8 cm，与我们以前的工作相比，最大位置误差减少了60%，并证明了对大的外部干扰的鲁棒性
2022-09-26 cs.LG cs.RO
Trajectory-Constrained Deep Latent Visual Attention for Improved Local Planning in Presence of Heterogeneous Terrain
McGill University（麦吉尔大学）
我们提出了一种奖励预测，基于模型的深度学习方法，具有强制约束的视觉注意力，用于视觉导航任务中的局部规划。我们的方法学习将视觉注意力放在潜像空间中的位置，这些位置遵循车辆控制动作引起的轨迹，以提高规划过程中的预测准确性。注意力模型由特定于任务的损失和额外的冗余约束损失共同优化，允许自适应性，但鼓励正则化结构，以提高泛化能力和可靠性。重要的是，视觉注意力被应用在潜在的特征映射空间，而不是原始图像空间，以促进有效的规划。我们验证了我们的模型在视觉导航任务规划低湍流，无碰撞的轨迹在越野设置和爬山锁定差速器在湿滑的地形。实验涉及随机程序生成的模拟和现实世界的环境。我们发现，与无注意和自注意替代方案相比，我们的方法提高了泛化和学习效率。
2022-05-25 cs.CV 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
3D UAV Trajectory and Data Collection Optimisation via Deep Reinforcement Learning
Queen’s University Belfast（贝尔法斯特女王大学）；Ho Chi Minh City University of Technology and Education（胡志明市技术教育大学）；Tyndall National Institute（廷德尔国家研究所）；University of Southampton（南安普顿大学）
为了提高无线通信的网络性能和覆盖范围，现在开始部署无人机（UAV）。然而，由于其机载功率和飞行时间的限制，这是具有挑战性的，以获得一个最佳的资源分配方案，无人机辅助物联网（IoT）。在本文中，我们设计了一种新的无人机辅助物联网系统，该系统依赖于无人机的最短飞行路径，同时最大限度地提高从物联网设备收集的数据量。然后，设想了一种基于深度强化学习的技术，用于在特定覆盖区域中找到最佳轨迹和吞吐量。经过训练后，无人机能够以显著的总速率提高自主收集来自用户节点的所有数据，同时最大限度地减少所使用的相关资源。提供的数值结果，以突出我们的技术如何达到的吞吐量，轨迹和所花费的时间之间的平衡。更明确地说，我们在无人机轨迹，预期的回报和总的总和率方面的可达到的性能。
2021-06-06 cs.AI cs.LG eess.SP
Physics-Based Trajectory Design for Cellular-Connected UAV in Rainy Environments Based on Deep Reinforcement Learning
University College Dublin（都柏林大学）；University of Alberta（阿尔伯塔大学）
针对雨天蜂窝连接无人机轨迹设计难题，提出基于物理的电磁模拟与深度强化学习（多步学习、双重Q学习）方法，联合优化飞行时间与信号干扰比，实验验证其在雨天环境中的有效性。
2023-08-31 cs.LG cs.SY eess.SY
Smooth Trajectory Collision Avoidance through Deep Reinforcement Learning
Ohio University（俄亥俄大学）
避碰是视觉引导自主导航中的一项重要任务。基于深度强化学习（DRL）的解决方案越来越受欢迎。在这项工作中，我们提出了几种新的代理状态和奖励函数设计，以解决基于DRL的导航解决方案中的两个关键问题：1）训练的飞行轨迹的平滑性; 2）处理未知环境的模型泛化。在DRL框架下，我们的模型依赖于利润奖励和平滑约束，以确保无人机平稳飞行，同时大大减少碰撞的机会。所提出的平滑性奖励最小化了飞行轨迹的一阶和二阶导数的组合，这也可以驱动点均匀分布，从而导致稳定的飞行速度。为了提高智能体处理新的未知环境的能力，提出了两个实用的设置，以提高在不同场景中部署时的状态和奖励函数的不变性。实验证明了我们的整体设计和单个组件的有效性。
2022-10-12 cs.LG cs.RO
Deep Spatially and Temporally Aware Similarity Computation for Road Network Constrained Trajectories
Zhejiang University（浙江大学）；Aalborg University（奥尔堡大学）
轨迹相似性计算已经引起了广泛的关注，因为它是诸如乘车共享、交通分析和社交推荐等广泛应用中的核心功能。受最近深度学习技术的成功的激励，研究人员开始致力于基于学习的相似性分析，以克服局限性（即，成本高，适应性差）。具体而言，深度轨迹相似性计算旨在学习距离函数，该距离函数可以通过神经网络评估两个轨迹的相似程度。然而，现有的基于学习的方法专注于空间相似性，但忽略了时间维度的轨迹，这是次优的时间感知应用程序。此外，他们往往忽略了嵌入到道路网络的轨迹，限制了他们在现实场景中的适用性。在本文中，我们提出了一个有效的基于学习的框架，称为ST2Vec，在道路网络中执行有效的空间和时间感知的轨迹相似性计算。最后，使用三个真实轨迹数据集进行的广泛实验评估表明，ST2Vec大大优于所有最先进的方法。
2022-02-27 cs.DB cs.LG
Personalized Federated Deep Reinforcement Learning-based Trajectory Optimization for Multi-UAV Assisted Edge Computing
Nanjing University of Science and Technology（南京理工大学）；Zhejiang Lab（之江实验室）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61）；ZJU-UIUC Institute, Zhejiang University（浙江大学ZJU-UIUC联合学院）；Louisiana State University（路易斯安那州立大学）
针对多无人机辅助边缘计算中的轨迹优化，提出个性化联邦深度强化学习（PF-DRL），为每个智能体定制模型以解决数据稀缺和异质性，实现更快收敛和更优服务质量。
2023-09-05 cs.LG cs.MA
t-DGR: A Trajectory-Based Deep Generative Replay Method for Continual Learning in Decision Making
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Sony AI（索尼人工智能）
针对决策持续学习中自回归生成重放的轨迹误差累积问题，提出以轨迹时间步为条件的非自回归 t-DGR，并在 Continual World 平均成功率上达到最先进水平。
2024-06-17 cs.AI cs.LG cs.NE
Asteroid Flyby Cycler Trajectory Design Using Deep Neural Networks
Japan Aerospace Exploration Agency（日本宇宙航空研究开发机构）
近年来，小行星探测越来越受到人们的关注。然而，我们刚刚访问了几十颗小行星，而我们已经发现了一百多万个天体。由于我们目前的观察和知识应该是有偏见的，因此必须直接探索多个小行星，以更好地了解行星建筑材料的遗迹。飞行任务设计的解决办法之一是利用小行星飞越循环轨道，并利用多个地球重力辅助。小行星绕飞轨道设计问题是具有多次绕飞的全局轨道优化问题的一个子类，它包括给定绕飞序列的轨道优化问题和确定绕飞序列的组合优化问题。随着飞越物体数量的增加，这个优化问题的计算时间恶意地扩展。本文提出了一种利用深度神经网络构建的代理模型来设计小行星飞越循环轨道的新方法，该模型逼近轨道优化结果。由于机器学习方法的瓶颈之一是生成海量轨迹数据库的计算时间，我们提出了一种有效的数据库生成策略，通过引入满足Karush-Kuhn-Tucker条件的伪小行星。应用于JAXA的DESTINY+任务的数值结果表明，所提出的方法是实际适用于空间任务设计，可以显着减少搜索小行星飞越序列的计算时间。
2022-07-12 astro-ph.EP astro-ph.IM cs.CE
Deep Context Maps: Agent Trajectory Prediction using Location-specific Latent Maps
MIT（麻省理工学院）；Toyota Research Institute（丰田研究院）
在本文中，我们提出了一种新的方法，代理运动预测在杂乱的环境。预测智能体运动的主要挑战之一是考虑位置和上下文特定信息。我们的主要贡献是学习上下文映射的概念，以改善预测任务。上下文映射是一组与预测器一起训练的特定于位置的潜在映射。因此，所提出的地图能够捕捉位置上下文超出视觉上下文线索（例如，通常的平均速度和典型轨迹）或预定义的地图图元（如车道和停车线）。我们将上下文地图学习作为一个多任务训练问题，并描述了我们的地图模型及其融入最先进的轨迹预测器。在广泛的实验中，它表明，使用学习地图可以显着提高预测精度。此外，通过提供地图语义的部分知识，可以额外地提高性能。
2020-06-19 cs.CV cs.LG cs.RO
WTTFNet: A Weather-Time-Trajectory Fusion Network for Pedestrian Trajectory Prediction in Urban Complex
School of Science and Technology, Hong Kong Metropolitan University（香港都会大学科技学院）
提出WTTFNet融合天气、时间与轨迹特征，提升行人轨迹预测的准确率，解决城市综合体中行人目的地预测难、类不平衡问题。
2024-05-29 cs.CV cs.LG
EquiDiff: A Conditional Equivariant Diffusion Model For Trajectory Prediction
The Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
提出基于条件扩散模型和SO(2)等变Transformer的EquiDiff，用于车辆轨迹预测，在NGSIM数据集上短期预测优于基线，并进行了消融和可视化分析。
2023-08-29 cs.LG cs.RO
Deep Reinforcement Learning with a Stage Incentive Mechanism of Dense Reward for Robotic Trajectory Planning
Huazhong University of Science and Technology（华中科技大学）；South East University（东南大学）；Central Queensland University（中央昆士兰大学）
(This工作已提交给IEEE可能出版。版权可能会在不通知的情况下转让，之后可能无法再访问此版本。为了提高基于深度强化学习（DRL）的机器人操作器轨迹规划方法在随机工作环境中的效率，提出了三种稠密奖励函数。这些奖励不同于传统的稀疏奖励。首先，通过对距离和方向约束进行建模，提出了一种姿态奖励函数，以加快学习过程，获得更合理的轨迹，减少探索的盲目性。其次，提出了一种步幅奖励函数，通过对关节约束的距离和运动距离进行建模来提高学习过程的稳定性。最后，为了进一步提高学习效率，我们从人类行为的认知过程中得到启发，提出了一种阶段激励机制，包括硬阶段激励奖励函数和软阶段激励奖励函数。大量的实验表明，软阶段激励奖励函数能够提高收敛速度高达46.9%的国家的最先进的DRL方法。收敛平均奖励的增加百分比为4.4 - 15.5%，标准差的减少百分比为21.9 - 63.2%。在评估实验中，机器人操作器的轨迹规划成功率达到99.6%。
2021-05-23 cs.AI cs.LG cs.RO
Deep Reinforcement Learning Based Dynamic Trajectory Control for UAV-assisted Mobile Edge Computing
Northumbria University（诺森比亚大学）；Queen Mary University of London（伦敦玛丽女王大学）；Zhengzhou University（郑州大学）
在本文中，我们考虑了一个飞行移动边缘计算（F-MEC）平台，其中无人机（UAV）作为提供计算资源的设备，它们可以从用户设备（UE）卸载任务。我们的目标是通过优化用户关联，资源分配和无人机的轨迹，最大限度地减少所有的UE的能量消耗。为此，我们首先提出了一种基于凸优化的轨迹控制算法（CAT），该算法采用块坐标下降（BCD）方法迭代求解。然后，为了在考虑环境动态的同时做出实时决策（即，无人机可能从不同的位置起飞），我们提出了一种基于深度强化学习的轨迹控制算法（RAT）。在RAT中，我们应用优先经验重放（PER）来提高训练过程的收敛性。与可能对初始点敏感并且需要迭代的基于凸优化的算法不同，RAT可以适应于UAV的任何起飞点，并且一旦训练过程已经完成，就可以比CAT更快地获得解。仿真结果表明，所提出的CAT和RAT实现了类似的性能，都优于传统的算法。
2021-02-13 cs.LG cs.NI eess.SP
A Novel Deep Neural Network for Trajectory Prediction in Automated Vehicles Using Velocity Vector Field
The University of Warwick（华威大学）；Warwick Manufacturing Group（华威制造集团）
本文提出将流体动力学启发的速度矢量场作为卷积-循环深度神经网络的额外输入，用于自动驾驶轨迹预测，在HighD数据集上验证了其在长时域和短观测窗口下提升预测精度的有效性。
2023-09-19 cs.CV cs.LG
Deep Neural Networks for Improved, Impromptu Trajectory Tracking of Quadrotors
本文提出基于深度神经网络的算法，通过提供定制参考输入提升经典反馈控制器的轨迹跟踪性能，实验表明该方法能有效减少跟踪误差，适用于实时轨迹跟踪应用。
2017-07-20 cs.LG cs.NE cs.RO
UAV Trajectory Optimization via Improved Noisy Deep Q-Network
Dept. of Computer Science（计算机科学系）；Wenzhou-Kean University（温州市凯恩大学）；School of Electrical and Computer Engineering（电气与计算机工程学院）；University of Tehran（伊朗塔里班大学）；School of Computer Science and Info. Eng.（计算机科学与信息工程学院）；Qilu Institute of Technology（青岛理工学院）
本文提出改进的噪声深度Q网络，通过增强探索能力和训练稳定性，提升无人机在模拟环境中的轨迹优化效率与可靠性。
2026-02-05 cs.LG cs.SY eess.SY
Deep Kinematic Models for Kinematically Feasible Vehicle Trajectory Predictions
Uber Advanced Technologies Group（优步先进技术集团）
自动驾驶汽车（SDV）在改善交通安全方面具有巨大潜力，并有望对数百万人的生活质量产生积极影响。为了释放这种潜力，自动驾驶技术的关键方面之一是了解和预测SDV周围车辆的未来运动。这项工作提出了一种基于深度学习的方法，用于对此类交通行为体进行运动学上可行的运动预测。以前的工作没有明确编码车辆运动学，而是依赖于模型直接从数据中学习约束，可能导致运动学上不可行的次优轨迹预测。为了解决这个问题，我们提出了一种方法，将人工智能的想法与物理基础的车辆运动模型无缝结合起来。通过这种方式，我们采用了两全其美的方法，将强大的学习模型与其输出的强大可行性保证相结合。所提出的方法是通用的，适用于任何类型的学习方法。在真实世界数据上使用深度convnets的广泛实验强烈表明了它的好处，优于现有的最先进技术。
2020-10-24 cs.CV cs.LG cs.RO
DeepReview: Improving LLM-based Paper Review with Human-like Deep Thinking Process
Zhejiang University（浙江大学）；Westlake University（西湖大学）；University College London（伦敦大学学院）
本文提出DeepReview多阶段评审框架及DeepReview-13K数据集，训练的DeepReviewer-14B以更少token超越CycleReviewer-70B，并在对比GPT-o1和DeepSeek-R1时取得最高88.21%胜率，为LLM论文评审设立新基准。
2025-03-11 cs.CL cs.LG
Efficient low-thrust trajectory data generation based on generative adversarial network
University of New South Wales（新南威尔士大学）
近年来，基于深度学习的技术已被引入轨迹优化领域。深度神经网络（DNN）被训练并用作常规优化过程的代理。它们可以提供低推力（LT）转移成本估计，并使更复杂的初步任务设计。然而，有效地获得用于训练的所需量的轨迹数据是一个挑战。生成对抗网络（GAN）适用于有效地生成可行的LT轨迹数据。GAN由生成器和生成器组成，两者都是深度网络。生成器使用随机噪声作为输入来生成伪LT传递特征，而鉴别器将生成器的伪LT传递特征与真实LT传递特征区分开。GAN被训练，直到生成器生成伪LT传输，而伪LT传输无法识别。这表明发电机产生的低推力传递特征具有与实际传递特征相同的分布。生成的低推力传递数据具有高收敛速率，并且它们可以用于有效地产生用于深度学习模型的训练数据。通过在近地小行星（NEA）任务场景中生成可行的LT传输，验证了所提出的方法。GAN生成的样本的收敛率为84.3%。
2022-09-14 cs.LG cs.SY eess.SY
Trajectory-based Learning for Ball-in-Maze Games
University of California–Riverside（加州大学河滨分校）；Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室）
深度强化学习在解决机器人中的几个游戏和任务方面取得了巨大的成功。然而，与人类不同，它通常需要大量的训练实例。轨迹模拟解决手头的任务可以帮助提高深度RL方法的样本效率。在本文中，我们提出了一个简单的方法来使用这样的轨迹，适用于具有挑战性的球在迷宫游戏，最近在文献中介绍。我们表明，尽管不使用人类生成的轨迹，只是使用模拟器作为模型来生成有限数量的轨迹，但我们可以在学习过程中获得大约2- 3倍的速度。我们还讨论了我们在使用基于概率的学习来处理非常稀疏的奖励函数时观察到的一些挑战。
2018-12-15 cs.LG stat.ML
Trajectory Design for UAV-Based Internet-of-Things Data Collection: A Deep Reinforcement Learning Approach
Beijing Institute of Technology（北京理工大学）；Beihang University（北京航空航天大学）；University of Surrey（萨里大学）；University of New South Wales（新南威尔士大学）；Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；CentraleSupélec（中央理工-高等电力学院）
在本文中，我们研究了一个复杂的三维（3D）环境中的无人机（UAV）辅助物联网（IoT）系统，其中UAV的轨迹经过优化，可以有效地从多个IoT地面节点收集数据。与现有的方法只集中在一个简化的二维场景和完善的信道状态信息（CSI）的可用性，本文考虑了一个实际的3D城市环境与不完善的CSI，无人机的轨迹设计，以最大限度地减少数据汇集完成时间受到实际吞吐量和飞行运动约束。具体而言，受最先进的深度强化学习方法的启发，我们利用双延迟深度确定性策略梯度（TD 3）来设计无人机的轨迹，并提出了一种基于TD 3的轨迹设计完成时间最小化（TD 3-TDCTM）算法。特别地，我们设置附加信息，即，融合后的信息素，代表无人机和环境的状态信息，作为奖励的参考，便于算法设计。该算法以物联网节点的服务状态、无人机的位置和融合信息素为输入，能够不断自适应地学习如何调整无人机的运动策略。该算法通过与外部环境的相互作用，在相应的马尔可夫决策过程中，所提出的算法可以实现一个接近最优的导航策略。我们的仿真结果表明，所提出的TD 3-TDCTM算法优于三个传统的基于非学习的基线方法。
2021-07-23 cs.IT cs.LG eess.SP
Interplanetary Transfers via Deep Representations of the Optimal Policy and/or of the Value Function
European Space Agency（欧洲空间局）
最近提出了一些基于深度网络的行星际轨道应用。这些方法通常依赖于大量最佳轨迹的可用性来学习。在本文中，我们介绍了一种新的方法，快速创建数百万个最佳的航天器轨迹从一个单一的名义轨迹。除了生成的名义轨迹，没有额外的最优控制问题需要解决的所有的轨迹，通过建设，满足庞特里亚金的最小值原则和相关的横截性条件。然后，我们考虑了深度前馈神经网络，并在创建的数据集上对三种学习方法进行了基准测试：策略模仿，价值函数学习和价值函数梯度学习。我们的结果显示的情况下，行星际轨迹优化问题到达金星轨道，与名义轨道从地球开始。研究发现，策略模仿和价值函数梯度学习都能学习到最优状态反馈，而价值函数学习不能捕获最优策略，只能捕获最优推进剂质量的最终值。
2019-04-18 cs.AI cs.LG cs.NE
