Safety Metric Aware Trajectory Repairing for Automated Driving
Virtual Vehicle Research GmbH(虚拟车辆研究有限责任公司);Graz University of Technology(格拉茨工业大学)
针对自动驾驶在动态或紧急条件下决策失败的问题,提出一种安全度量感知的轨迹修复框架,通过二分搜索迭代生成修复轨迹,同时计算可行反应时间,保证安全性和可行性,具备随时提供规避轨迹的能力。
2024-08-20 cs.RO
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
Target-point Attention Transformer: A novel trajectory predict network for end-to-end autonomous driving
University of Electronic Science and Technology of China(电子科技大学)
本文提出了一种基于Transformer的端到端无规则自动驾驶轨迹预测网络TAT,通过注意力机制实现预测轨迹与感知特征及目标点的交互,在CARLA模拟器中显著降低事故率并提高路线完成率,达到最先进性能。
2023-08-03 cs.RO
Trajectory Prediction for Autonomous Driving Using a Transformer Network
University of Macau(澳门大学);School of Transportation, Southeast University(东南大学交通学院)
本文提出基于Transformer的多模态轨迹预测框架,利用语义地图提取上下文信息,并引入惩罚偏离道路预测的辅助损失,在Lyft l5kit数据集上取得最先进性能。
2024-02-26 cs.RO
NMPC trajectory planner for urban autonomous driving
ETH Zürich(苏黎世联邦理工学院);Politecnico di Milano(米兰理工大学)
本文提出了一种基于非线性模型预测控制(NMPC)算法的自动驾驶轨迹规划器,该算法通过新颖的侧偏角计算来考虑Pacejka的非线性横向轮胎动力学以及零速度条件。在NMPC框架中,由于软约束和硬约束的实施,考虑了道路边界和障碍物(静态和移动)。NMPC问题的数值解是使用ACADO工具包与二次规划求解器qpOASES耦合进行的。所提出的NMPC轨迹规划器的有效性已经使用CarMaker多体模型进行了测试。由所示的模拟提供的时间分析结果表明,所提出的算法可以在来自上游估计块的数据的假设下在自动驾驶车辆的实时控制框架上实现。
2021-05-09 cs.RO
DriVerse: Navigation World Model for Driving Simulation via Multimodal Trajectory Prompting and Motion Alignment
Baidu Inc.(百度公司)
DriVerse通过多模态轨迹提示和运动对齐技术,实现从单张图像和未来轨迹生成导航驱动的驾驶场景,提升了动态对象的生成精度和时间一致性。
2026-04-24 cs.RO
Trajectory Guidance: Enhanced Remote Driving of highly-automated Vehicles
Institute of Automotive Technology at the Technical University of Munich (TUM)(慕尼黑工业大学汽车工程研究所)
本文针对自动驾驶车辆在复杂场景需人类干预的问题,提出一种轨迹引导远程驾驶的新型技术实现,经高保真仿真实验验证,表明其能有效提升远程操作安全性与可行性。
2024-02-15 cs.RO
Are All Data Necessary? Efficient Data Pruning for Large-scale Autonomous Driving Dataset via Trajectory Entropy Maximization
本文提出通过轨迹熵最大化实现自动驾驶数据集的高效数据修剪,减少数据量的同时保持模型性能。
2025-12-22 cs.RO
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
Improving Autonomous Driving Safety with POP: A Framework for Accurate Partially Observed Trajectory Predictions
The Hong Kong University of Science and Technology(香港科技大学);HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute(香港科技大学深圳产学研合作研究院);Lotus Technology Ltd(路特斯科技有限公司)
针对自动驾驶中部分观测下的轨迹预测难题,本文提出POP框架,通过自监督学习与特征蒸馏提升预测精度,在开环和闭环实验中均表现出优越的安全性能。
2024-04-05 cs.RO
A Cognitive-Driven Trajectory Prediction Model for Autonomous Driving in Mixed Autonomy Environment
University of Macau(澳门大学);University of Electronic Science and Technology of China(电子科技大学);Chongqing University(重庆大学);Beihang University(北京航空航天大学)
本文提出一种融入认知洞察的轨迹预测模型,通过分析混合自动驾驶场景中的交互与行为模式,在多个数据集上显著超越现有基准,并展现出处理边界情况与数据缺失的鲁棒性。
2024-04-26 cs.RO
Vehicle Trajectory Prediction based Predictive Collision Risk Assessment for Autonomous Driving in Highway Scenarios
本文提出一种基于CSP-GAN-LSTM轨迹预测模型的高速公路自动驾驶碰撞风险评估方法,结合TTC和MDM构建时间连续风险函数,并在公开数据集和仿真中验证了其优于SOTA方法的预测精度与评估有效性。
2023-04-12 cs.RO
Characterized Diffusion and Spatial-Temporal Interaction Network for Trajectory Prediction in Autonomous Driving
University of Macau(澳门大学);University of Electronic Science and Technology of China(电子科技大学)
本文提出一种结合特征化扩散模块与时空交互模块的轨迹预测模型,通过注入语义信息并捕捉时空影响,在NGSIM、HighD和MoCAD数据集上取得了最先进性能。
2024-05-03 cs.RO
SafeShift: Safety-Informed Distribution Shifts for Robust Trajectory Prediction in Autonomous Driving
Carnegie Mellon University(卡内基梅隆大学);Hanyang University(汉阳大学);Bosch Center for Artificial Intelligence(博世人工智能中心)
提出SafeShift框架,通过表征真实数据集并发现隐藏安全场景,在安全信息分布偏移下评估轨迹预测模型,并采用补救策略平均降低10%碰撞率。
2024-02-02 cs.RO
Stabilizing Trajectory Outputs in End-to-End Autonomous Driving via SC-IMM Based Teacher Signals
The CCS Graduate School of Mobility, Korea Advanced Institute of Science and Technology(韩国科学技术院CCS移动出行研究生院);Korea Advanced Institute of Science and Technology(韩国科学技术院)
针对端到端自动驾驶轨迹输出不稳定问题,提出基于SC-IMM的离线教师信号生成方法,在CARLA Town12中驾驶评分提升28.0%,碰撞减少62.3%。
2026-09-21 cs.RO
SocialTraj: Two-Stage Socially-Aware Trajectory Prediction for Autonomous Driving via Conditional Diffusion Model
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
SocialTraj通过贝叶斯逆强化学习估计社会价值取向,并结合条件扩散模型与自车规划轨迹,实现社会感知且行为一致的多模态轨迹预测,在NGSIM和HighD上优于现有方法。
2025-09-22 cs.RO
Jointly Learnable Behavior and Trajectory Planning for Self-Driving Vehicles
Uber Advanced Technologies Group(优步先进技术集团);University of Toronto(多伦多大学);GraphCore;Massachusetts Institute of Technology(麻省理工学院)
自动驾驶汽车中使用的运动规划器需要生成安全、舒适并遵守交通规则的轨迹。这通常通过两个模块来实现:行为规划器,它处理高层决策并产生粗略的轨迹,轨迹规划器,它在规划范围内生成平滑,可行的轨迹。然而,这些规划器通常是单独开发的,并且行为规划器中的变化可能以意想不到的方式影响轨迹规划器。此外,由轨迹规划器输出的最终轨迹可能与由行为规划器生成的轨迹显著不同,因为它们不共享相同的目标。在本文中,我们提出了一个共同学习的行为和轨迹规划。与大多数现有的可学习的运动规划器,解决要么只行为规划,或使用一个不可解释的神经网络来表示从传感器到驾驶命令的整个逻辑,我们的方法具有一个可解释的成本函数的感知,预测和车辆动力学,和一个联合学习算法,学习我们的行为和轨迹组件所采用的共享成本函数。对真实世界自动驾驶数据的实验表明,与不采用联合行为和轨迹学习的基线相比,联合学习的规划器在与人类驾驶的相似性和其他安全指标方面表现得更好。
2019-10-10 cs.LG cs.RO
Utilizing Navigation Paths to Generate Target Points for Enhanced End-to-End Autonomous Driving Planning
University of Science and Technology of China(中国科学技术大学)
针对现有端到端自动驾驶框架忽略行驶意图学习的问题,本文提出NTT方法,基于导航路径生成目标点再生成规划轨迹,在nuScenes数据集上取得优异规划性能。
2024-08-12 cs.RO
Towards Human-Centric Autonomous Driving: A Fast-Slow Architecture Integrating Large Language Model Guidance with Reinforcement Learning
College of Transportation, Tongji University(同济大学交通学院)
针对自动驾驶难以适配用户偏好的问题,提出LLM解析高层指令、RL负责实时控制的快-慢决策框架,降低碰撞率并提升行为与用户偏好的一致性。
2025-05-11 cs.RO
Human Observation-Inspired Trajectory Prediction for Autonomous Driving in Mixed-Autonomy Traffic Environments
University of Electronic Science and Technology of China(电子科技大学);University of Macau(澳门大学);Macau University of Science and Technology(澳门科技大学);Tsinghua University(清华大学)
针对混合自主环境下自动驾驶轨迹预测难题,提出融合人类认知观察原理的GAVA模型,通过自适应视觉扇区机制和CNN-GAT动态交通图,在三个数据集上性能显著优于现有基线。
2024-03-08 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
Trajectory Prediction for Autonomous Driving with Topometric Map
最先进的自动驾驶系统依赖于高清(HD)地图进行定位和导航。然而,构建和维护高清地图既耗时又昂贵。此外,高清地图假设结构化的环境,如主要道路和车道的存在,这是不存在于农村地区。在这项工作中,我们提出了一个端到端的Transformer网络为基础的方法,地图无自动驾驶。该模型以原始LiDAR数据和噪声地形图作为输入,产生精确的局部导航轨迹。我们证明了我们的方法在现实世界的驾驶数据,包括城市和农村地区的有效性。实验结果表明,所提出的方法优于最先进的多模态方法,是强大的拓扑图的扰动。所提出的方法的代码是公开的\url{https://github.com/Jiaolong/trajectory-prediction}。
2021-05-09 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
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
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
Domain Generalization for Vision-based Driving Trajectory Generation
Zhejiang University(浙江大学);Alibaba DAMO Academy(阿里巴巴达摩院)
基于视觉的驾驶轨迹生成的挑战之一是处理分布外的场景。在本文中,我们提出了一种领域泛化方法,用于在城市环境中自动驾驶车辆的基于视觉的驾驶轨迹生成,这可以被看作是一种解决方案,以扩展复杂问题中的不变风险最小化(Invariant Risk Minimization)方法。我们利用对抗学习方法来训练轨迹生成器作为解码器。基于预训练的解码器,我们推断对应于轨迹的潜变量,并通过回归推断的潜变量来预训练编码器。最后,我们修复解码器,但微调编码器与最终的轨迹损失。我们比较了我们提出的方法与国家的最先进的轨迹生成方法和一些最近的领域泛化方法的数据集和模拟,证明了我们的方法具有更好的泛化能力。
2021-09-22 cs.CV cs.LG cs.RO
FeaXDrive: Feasibility-aware Trajectory-Centric Diffusion Planning for End-to-End Autonomous Driving
College of Automotive and Energy Engineering, Tongji University(同济大学汽车与能源工程学院);College of Transportation Engineering, Tongji University(同济大学交通工程学院);School of Mechanical and Aerospace Engineering, Nanyang Technological University(南洋理工大学机械与航空航天工程学院)
FeaXDrive通过轨迹导向的扩散规划方法,提升自动驾驶中轨迹空间的可行性建模,改进轨迹几何和运动学可行性,增强可行驶区域一致性,实验表明其在NAVSIM基准上表现优异。
2026-04-30 cs.LG cs.RO
Integrating End-to-End and Modular Driving Approaches for Online Corner Case Detection in Autonomous Driving
Technical University of Munich (TUM)(慕尼黑工业大学);Institute of Automotive Technology(汽车技术研究所)
本文提出将端到端网络作为辅助系统与模块化驾驶系统并行运行,利用两者输出不一致实现在线极端情况检测,并在真实车辆上验证了该方法对提升自动驾驶安全性的潜力。
2024-09-02 cs.AI cs.RO
PiP: Planning-informed Trajectory Prediction for Autonomous Driving
The Hong Kong University of Science and Technology(香港科技大学);University of Science and Technology of China(中国科学技术大学)
预测周围车辆的运动对于自动驾驶规划至关重要,特别是以社会兼容和灵活的方式。然而,由于驾驶行为的相互作用和不确定性,未来的预测是具有挑战性的。我们提出规划知情的轨迹预测(PiP)来解决多智能体环境中的预测问题。我们的方法不同于传统的预测方式,传统的预测方式仅基于历史信息,与规划脱钩。通过通知预测过程与规划的自我车辆,我们的方法实现了国家的最先进的性能的多智能体预测高速公路数据集。此外,我们的方法使一个新的管道耦合的预测和规划,通过调节PiP的自我车辆的多个候选轨迹,这是非常有益的自动驾驶在交互式场景。
2021-01-18 cs.CV cs.RO
DRL-Based Trajectory Tracking for Motion-Related Modules in Autonomous Driving
Zhejiang University(浙江大学);Beijing Institute of Technology(北京理工大学)
针对自动驾驶运动相关模块轨迹跟踪在变化场景下鲁棒性不足的问题,提出基于DRL的无模型数据驱动方法,利用DL表示学习与RL探索提升精度与通用性,实验验证有效并开源代码。
2024-03-24 cs.AI cs.RO
Multimodal Manoeuvre and Trajectory Prediction for Automated Driving on Highways Using Transformer Networks
WMG, University of Warwick(华威大学WMG学院);Queen’s University of Belfast(贝尔法斯特女王大学)
提出一种基于Transformer的多模态预测框架,通过定制问题公式化、预测模型和训练方法,在NGSIM、highD和exiD数据集上优于现有方法,实现更准确的高速公路车辆机动与轨迹预测。
2023-07-26 cs.LG cs.RO
SimpleVSF: VLM-Scoring Fusion for Trajectory Prediction of End-to-End Autonomous Driving
IEIT Systems(IEIT系统)
针对端到端自动驾驶复杂场景决策不佳的问题,提出融合传统评分与VLM增强评分的SimpleVSF框架,通过权重融合与VLM上下文决策实现规划优化,在ICCV 2025 NAVSIM v2挑战赛中取得领先性能。
2025-10-28 cs.AI cs.RO
What Truly Matters in Trajectory Prediction for Autonomous Driving?
Tsinghua University(清华大学);National University of Singapore(新加坡国立大学);Shanghai Jiao Tong University(上海交通大学)
针对自动驾驶轨迹预测固定数据集精度与实际驾驶性能存在动力学差距的问题,研究了该差距及其他影响因素,发现计算效率与精度的权衡影响实际性能,提出需交互式任务驱动评估协议。
2023-11-06 cs.AI cs.RO
Informed sampling-based trajectory planner for automated driving in dynamic urban environments
Netherlands Organisation for Applied Scientific Research(荷兰应用科学研究组织);Eindhoven University of Technology(埃因霍温理工大学)
城市环境是自动驾驶汽车最困难的领域之一。车辆必须能够在具有挑战性的道路布局上,在各种动态交通参与者(如车辆,骑自行车者和行人)以及各种环境条件下规划安全路线。挑战仍然是拥有计算速度快的运动规划器,并主动考虑其他道路使用者的未来运动。本文介绍了一种计算效率高的采样为基础的轨迹规划器,在城市环境中的安全和舒适的驾驶。该规划器改进了Stable-Sparse-RRT算法,根据道路布局信息在搜索树中添加初始探索分支,并重复以前的解决方案。此外,轨迹规划器考虑了其他交通参与者的预测运动,以允许在城市交通中安全驾驶。仿真研究表明,规划器是能够规划无碰撞,舒适的轨迹在几个城市交通场景。添加基于领域知识的探索分支提高了高度感兴趣区域的探索效率,从而提高了总体规划性能。
2022-10-05 cs.RO math.OC
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
MFTraj: Map-Free, Behavior-Driven Trajectory Prediction for Autonomous Driving
University of Macau(澳门大学);University of Electronic Science and Technology of China(电子科技大学);Chongqing University(重庆大学)
本文提出无地图轨迹预测模型MFTraj,通过动态几何图行为感知模块和自适应图卷积网络捕捉交互特征,在多个数据集上以更低参数开销超越现有基准,并在数据缺失场景下保持竞争力。
2024-05-02 cs.AI cs.RO
StopNet: Scalable Trajectory and Occupancy Prediction for Urban Autonomous Driving
Waymo;Korea University(高丽大学)
我们介绍了一种运动预测(行为预测)方法,可以在不牺牲准确性的情况下满足密集城市环境中自动驾驶的延迟要求。全场景稀疏输入表示允许StopNet扩展到预测数百个道路代理的轨迹,并具有可靠的延迟。除了预测轨迹外,我们的场景编码器还可以预测整个场景的概率占用网格,这是一种适合繁忙城市环境的补充输出表示。占领网格允许AV集体推理代理组的行为,而不处理他们的个人轨迹。我们证明了我们的稀疏输入表示和我们的模型在三个数据集的计算和准确性方面的有效性。我们进一步表明,共同训练一致的轨迹和占用预测在标准指标下提高了最先进的性能。
2022-06-02 cs.CV cs.RO
Trajectory Prediction for Autonomous Driving in Road Construction Zones Using Human-in-the-Loop Driving Data
New York University(纽约大学)
本研究针对城市道路施工区自车轨迹预测的研究空白,构建了多模态数据集WZDrive-Data,提出模型WZDrive,显著提升了施工区轨迹预测精度。
2026-10-12 cs.AI cs.LG cs.RO
Trajectory-guided Control Prediction for End-to-end Autonomous Driving: A Simple yet Strong Baseline
Shanghai AI Laboratory(上海人工智能实验室);Shanghai Jiao Tong University(上海交通大学)
当前的端到端自动驾驶方法要么基于规划的轨迹运行控制器,要么直接执行控制预测,这跨越了两个独立的研究方向。鉴于这两个世界的潜在互惠互利,本文主动探索这两个发达世界的结合。具体来说,我们的综合方法有两个分支的轨迹规划和直接控制,分别。轨迹分支预测未来的轨迹,而控制分支涉及一种新的多步预测方案,以便可以推理当前动作和未来状态之间的关系。这两个分支被连接,使得控制分支在每个时间步长从轨迹分支接收相应的引导。然后将来自两个分支的输出融合以实现互补优势。我们的结果进行了评估,在闭环城市驾驶设置具有挑战性的情况下,使用CARLA模拟器。即使使用单目摄像机输入,该方法也在官方CARLA排行榜上排名第一,远远优于其他具有多个传感器或融合机制的复杂候选方案。源代码可在https://github.com/OpenPerceptionX/TCP上公开获取
2022-10-15 cs.AI cs.CV cs.RO
Perception Without Vision for Trajectory Prediction: Ego Vehicle Dynamics as Scene Representation for Efficient Active Learning in Autonomous Driving
本研究提出基于轨迹状态聚类与采样策略的主动学习方法,利用自车轨迹动态信息筛选数据,在nuScenes轨迹预测任务中以更低数据成本超越随机采样性能,验证了低成本数据筛选提升自动驾驶系统效率与鲁棒性的可行性。
2024-05-20 cs.AI cs.CV cs.LG
Multi-modal Trajectory Prediction for Autonomous Driving with Semantic Map and Dynamic Graph Attention Network
JD Logistics, JD.com, China(京东物流,京东集团,中国)
预测周围障碍物的未来轨迹是自动驾驶汽车实现高度道路安全的关键任务。在现实世界的交通场景中,轨迹预测存在几个挑战,包括遵守交通规则,处理社会交互,处理多类运动的交通,以及预测具有概率的多模式轨迹。受人们关注目标和周围环境的自然习惯的启发,本文提出了一种独特的动态图形注意力网络来解决所有这些挑战。该网络的设计是为了模拟代理之间的动态社会互动,并符合交通规则的语义地图。通过将基于锚的方法扩展到多种类型的代理,所提出的方法可以使用单个模型来预测具有多类运动概率的多模态轨迹。我们在物流交付场景的专有自动驾驶数据集和两个公开可用的数据集上验证了我们的方法。结果表明,我们的方法优于国家的最先进的技术,并展示了在现实世界的交通轨迹预测的潜力。
2021-03-30 cs.CV cs.RO
GRIP++: Enhanced Graph-based Interaction-aware Trajectory Prediction for Autonomous Driving
Lehigh University(理海大学)
尽管自动驾驶汽车技术取得了进步,但自动驾驶汽车的安全性仍然是一个尚未得到充分研究的挑战性问题。运动预测是自动驾驶汽车的核心功能之一。在此之前,我们提出了一种名为GRIP的新方案,该方案旨在有效地预测自动驾驶汽车周围交通代理的轨迹。GRIP使用图来表示接近对象的交互,应用几个图卷积块来提取特征,随后使用编码器-解码器长短期记忆(LSTM)模型来进行预测。尽管我们的实验结果表明,GRIP提高了30%的最先进的解决方案的预测精度,GRIP仍然有一些局限性。GRIP使用一个固定的图来描述不同的交通代理之间的关系,因此可能会遭受一些性能下降,当它被用于城市交通场景。因此,在本文中,我们描述了一个改进的计划,称为GRIP++,我们使用固定和动态图的轨迹预测不同类型的交通代理。这种改进可以帮助自动驾驶汽车避免许多交通事故。我们使用最近发布的城市交通数据集(即ApolloScape)进行的评估表明,GRIP++比最先进的方案实现了更好的预测准确性。GRIP++在2019年10月的ApolloScape轨迹竞赛排行榜上排名第一。此外,GRIP++的运行速度比最先进的方案CS-LSTM快21.7倍。
2020-05-19 cs.CV cs.RO
Importance is in your attention: agent importance prediction for autonomous driving
Motional
轨迹预测是自动驾驶中的一项重要任务。最先进的轨迹预测模型通常使用注意力机制来模拟智能体之间的交互。在本文中,我们表明,从这样的模型的注意力信息也可以用来衡量每个代理的重要性相对于自我车辆的未来规划轨迹。我们的nuPlans数据集上的实验结果表明,我们的方法可以有效地发现和排名周围的代理人对自我的计划的影响。
2022-04-19 cs.CV cs.RO
Beyond Patterns: Harnessing Causal Logic for Autonomous Driving Trajectory Prediction
University of Macau(澳门大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出一种基于因果推断的自动驾驶轨迹预测框架,通过时空分解消除虚假相关并渐进融合多模态信息,在五个真实数据集上优于现有SOTA方法。
2025-05-11 cs.AI cs.RO
CMTS: Conditional Multiple Trajectory Synthesizer for Generating Safety-critical Driving Scenarios
Carnegie Mellon University(卡内基梅隆大学)
自然驾驶轨迹对于自动驾驶算法的性能至关重要。然而,大多数数据是在安全的情况下收集的,导致轨迹的重复,这很容易被目前开发的算法处理。在考虑安全性时,在几乎没有出现在现成数据集中的情况下测试算法是评估的重要组成部分。作为一种补救措施,我们提出了一种基于变分贝叶斯方法的近炸数据合成框架,并称之为条件多轨迹合成器(CMTS)。我们利用一个生成模型的条件下,道路地图桥梁安全和碰撞驾驶数据,代表他们在潜在空间中的分布。通过从未遂分布中采样,我们可以合成对于理解交通场景至关重要的安全关键数据,但这些数据既没有显示在原始数据集中,也没有显示在碰撞数据集中。实验结果表明,增强后的数据集覆盖了更多的驾驶场景,尤其是近距离碰撞场景,提高了轨迹预测的准确性和处理危险驾驶场景的能力。
2019-10-02 cs.CV cs.LG cs.RO
Zero-Human Demonstration End-to-end Autonomous Driving with Trajectory Scorer
Institute of Trustworthy Embodied AI(可信具身人工智能研究所);Fudan University(复旦大学);Shanghai Key Laboratory of Multimodal Embodied AI(上海多模态具身人工智能重点实验室);NVIDIA;University of Michigan(密歇根大学);East China Normal University(华东师范大学)
研究提出ZTRS,一种基于强化学习的端到端自动驾驶规划范式,仅依靠真实世界图像和规则奖励训练,无需人类示范。通过详尽策略优化,能更好推广到长尾驾驶场景,在相关数据集上展现出优于模仿学习方法的性能。
2026-07-09 cs.CV cs.RO
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
CVAE-H: Conditionalizing Variational Autoencoders via Hypernetworks and Trajectory Forecasting for Autonomous Driving
University of Michigan(密歇根大学)
预测道路智能体在不同环境中的随机行为是自动驾驶的一个挑战性问题。为了更好地理解场景上下文并在不同环境中自适应地产生道路智能体的各种可能的未来状态,预测模型应该是概率的,多模态的,上下文驱动的和通用的。我们通过超网络(CVAE-H)提出了条件化变分自编码器;一种条件VAE,广泛利用超网络并为预测任务等高维问题执行生成任务。我们首先评估CVAE-H简单的生成实验表明,CVAE-H是概率,多模态,上下文驱动,和一般。然后,我们证明了所提出的模型有效地解决了自动驾驶预测问题,在各种环境中产生准确的预测道路代理。
2022-01-24 cs.AI cs.LG cs.RO
AnchDrive: Bootstrapping Diffusion Policies with Hybrid Trajectory Anchors for End-to-End Driving
School of Communication and Information Engineering, Shanghai University, Shanghai 200444, China(信息工程学院,上海大学);Bosch Corporate Research, Bosch (China) Investment Ltd., Shanghai, China(博世企业研究,博世(中国)投资有限公司);School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai, China(机械工程学院,上海交通大学);Xi'an Jiaotong-Liverpool University, Suzhou, China(西安交通大学利物浦大学)
AnchDrive提出用混合轨迹锚点引导扩散策略,避免从纯噪声去噪,在NAVSIM基准上实现高效生成多样化高质量轨迹并达到新最先进水平。
2025-09-26 cs.AI cs.RO
On-Demand Trajectory Predictions for Interaction Aware Highway Driving
University of Michigan(密歇根大学)
高速公路驾驶对人类驾驶员和自动驾驶汽车(AV)都提出了很高的要求,因为高速和密集交通中的复杂交互。合并到高速公路上带来了额外的挑战,因为它限制了决策可用的时间。准确快速地预测其他人的轨迹对于安全执行机动至关重要。基于神经网络的许多现有预测方法都集中在对相互作用进行建模以实现更好的准确性,同时假设存在超过3s长的观测窗口。本文提出了一种新的概率模型的轨迹预测,执行竞争力少至400毫秒的观察。该模型将确定性跟驰模型扩展到概率环境,将模型参数视为未知随机变量,并引入正则化项。一个实时推理过程推导出估计参数的观测在这个新的模型。在NGSIM数据集上的密集流量实验表明,该方法在高度约束和更传统的观察窗口下都达到了最先进的性能。
2020-03-02 cs.RO eess.SP
NEST: A Neuromodulated Small-world Hypergraph Trajectory Prediction Model for Autonomous Driving
University of Macau(澳门大学);Southeast University(东南大学);Beihang University(北京航空航天大学)
提出NEST模型,融合小世界网络与超图及神经调制,提升自动驾驶轨迹预测的准确性、泛化性和效率,在多个数据集上优于现有方法。
2024-12-16 cs.AI cs.LG cs.RO
Towards Human-Like Trajectory Prediction for Autonomous Driving: A Behavior-Centric Approach
State Key Laboratory of Internet of Things for Smart City and Department of Computer and Information Science, University of Macau(物联网智能城市国家重点实验室和澳门大学计算机与信息科学系);State Key Laboratory of Internet of Things for Smart City and Departments of Civil and Environmental Engineering and Computer and Information Science, University of Macau(物联网智能城市国家重点实验室和澳门大学土木与环境工程系、计算机与信息科学系);Department of Civil and Environmental Engineering, University of Hawaii at Manoa(夏威夷大学马诺阿分校土木与环境工程系);School of Vehicle and Mobility, Tsinghua University, Beijing, China(清华大学车辆与移动技术学院)
本研究提出了一种结合行为感知模块和动态中心性度量的轨迹预测模型 HiT,通过动态框架捕捉交通参与者间的直接与间接交互,在多个真实数据集上表现优于顶尖模型,尤其在激进驾驶场景中突出,提升了自动驾驶的安全性和效率。
2025-05-27 cs.AI cs.RO
DME-Driver: Integrating Human Decision Logic and 3D Scene Perception in Autonomous Driving
University of Macau(澳门大学)
本文提出DME-Driver自动驾驶系统,结合大型视觉语言模型作为逻辑决策器与3D场景感知模型作为控制信号生成器,并构建新数据集以实现高精度且可解释的规划。
2024-01-08 cs.CV cs.RO
A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN
在自主驾驶中,感知周围智能体的驾驶行为对于自主车辆做出合理的决策至关重要。提出了一种基于轨迹信息的驾驶行为识别神经网络模型。与现有的基于概率的方法,识别驾驶行为使用手工制作的功能或直接编码的轨迹,我们的模型涉及多尺度卷积神经网络(MSCNN)模块自动提取的高级功能,应该编码丰富的空间和时间信息。给定智能体的轨迹序列作为输入,首先,双向长短期记忆(Bi-LSTM)模块和MSCNN模块分别对输入进行处理,生成两个特征,然后融合两个特征对智能体的行为进行分类。我们在公共BLVD数据集上对所提出的模型进行了评估,取得了令人满意的性能。
2021-03-01 cs.CV cs.RO