Vehicle predictive trajectory patterns from isochronous data
Engineering Consultant（工程顾问）
测量和分析传感器数据是车辆动力学开发中的基本技术，随着嵌入式和数据采集系统的发展，分析大型数据集成为可能。本文提出了一种详细的方法，用于评估和绘制等值线轨迹模式在格拉茨（奥地利）通过使用数据融合视频，ArduinoUno和罗盘传感器HDMM01。预测等值线轨迹模式是从预定义时间范围的数据值导出的。可以识别极端驾驶行为和危险道路几何形状。可以提供即时道路传感器数据，其可以用于比较来自轨迹路径以及不同时间实例的数据。本研究的结果表明，轨迹模式是成功的预测当前轨迹模式的可能演变，并可以提供对未来的驾驶情况的评估。本研究所获得的数据可作为未来城市规划节能驾驶路径以及基于定量和相关动态测量的车辆设计和工程改进的参考。
2021-01-07 cs.LG
STRAP: Spatial-Temporal Risk-Attentive Vehicle Trajectory Prediction for Autonomous Driving
Tandon School of Engineering, New York University（纽约大学Tandon工程学院）
提出STRAP，一种时空风险感知轨迹预测框架，通过引入风险势场和风险缩放损失函数提升高风险场景预测精度，在NGSIM和HighD数据集上误差显著降低。
2025-07-14 cs.LG
Offline Preference-Based Trajectory Evaluation
Carnegie Mellon University（卡内基梅隆大学）
针对离线评估中仅使用终端成功率导致统计效率低下的问题，提出基于偏好的轨迹评估方法，通过比较轨迹的时间偏好减少平局，提升区分能力、排名稳定性和数据效率。
2026-06-17 cs.AI cs.LG
Attention-based Recurrent Neural Network for Urban Vehicle Trajectory Prediction
Korea Advanced Institute of Science and Technology（韩国科学技术院）；The University of Queensland（昆士兰大学）
随着各种定位设备和基于位置的服务的不断部署，大量的空间和时间信息被收集和积累为轨迹数据。在众多应用中，基于概率的位置预测由于其在多个领域中提高许多应用的性能的潜力而获得越来越多的关注。研究了基于城市交通网络中车辆轨迹数据的轨迹序列预测方法。针对已有的循环神经网络（RNN）模型，提出了一种改进的基于注意力的循环神经网络（ARNN）模型，用于城市车辆轨迹预测。将注意力机制引入到城市车辆轨迹预测中，以解释网络级交通状态信息的影响。该模型使用在澳大利亚布里斯班收集的私人车辆的蓝牙数据进行评估，其中5个指标被广泛用于序列建模。与现有的RNN模型相比，所提出的ARNN模型显示出显着的性能改善，不仅考虑了要访问的小区，而且还考虑了小区序列的对齐。
2019-12-04 cs.AI cs.LG
NetTraj: A Network-based Vehicle Trajectory Prediction Model with Directional Representation and Spatiotemporal Attention Mechanisms
University of Hong Kong（香港大学）
城市道路网络中车辆的轨迹预测对于车辆导航、交通管理和基于位置的推荐等各种基于位置的应用具有重要意义。现有的方法通常将轨迹表示为网格单元、路段或意图集的序列。它们都不是理想的，因为基于单元的表示忽略了道路网络结构，而其他两种在分析城市规模的道路网络时效率较低。此外，以前的模型几乎没有利用空间依赖性或只考虑它们在网格单元水平，忽略了不规则的道路网络形成的非欧空间结构。为了解决这些问题，我们提出了一个基于网络的车辆轨迹预测模型NetTraj，它将每个轨迹表示为一系列交叉点和相关的运动方向，然后将它们馈送到LSTM编码器-解码器网络中，用于未来的轨迹生成。此外，我们引入了一个本地图注意力机制来捕获网络级的空间依赖的轨迹，和一个时间注意力机制与滑动上下文窗口来捕获短期和长期的时间依赖的轨迹数据。基于两个真实大规模出租车轨迹数据集的大量实验表明，NetTraj优于现有的最先进的车辆轨迹预测方法，验证了所提出的轨迹表示方法和时空注意力机制的有效性.
2021-09-17 cs.AI cs.LG
Spatial Temporal Attention based Target Vehicle Trajectory Prediction for Internet of Vehicles
The School of Computer Science and Technology, Hangzhou Dianzi University（杭州电子科技大学计算机科学与技术学院）；The School of Automation, Hangzhou Dianzi University（杭州电子科技大学自动化学院）；The China Mobile Information Technology Co., Ltd.（中国移动信息技术有限公司）；The Key Laboratory for Information Science of Electromagnetic Waves (MoE), Fudan University（复旦大学电磁波信息科学教育部重点实验室）
本文提出STATVTPred方法，结合GPS、图注意力网络与Transformer提取时空特征并融合路网结构，在T-Drive和成都数据集上显著提升车辆轨迹预测精度。
2025-01-01 cs.LG cs.RO
Vehicle Trajectory Prediction by Transfer Learning of Semi-Supervised Models
Columbia University（哥伦比亚大学）
在这项工作中，我们表明，用于车辆轨迹预测的半监督模型显着提高了最先进的现实世界基准上的监督模型的性能。从监督模型到半监督模型允许通过使用未标记数据进行扩展，将预训练中的图像数量从数百万增加到10亿。我们进行消融研究，比较半监督和监督模型的迁移学习，同时保持所有其他因素相同。在半监督模型中，我们比较了对比学习与师生方法，以及预测少量轨迹的网络与预测大轨迹集上概率的网络。我们的结果使用低级别和中级表示的驾驶环境证明了半监督方法的适用性，为现实世界的车辆轨迹预测。
2020-10-10 cs.CV cs.LG
Scalable Unsupervised Multi-Criteria Trajectory Segmentation and Driving Preference Mining
Universität Stuttgart（斯图加特大学）；Aalborg University（奥尔堡大学）
我们提出了大型轨迹数据集的分析技术，其目的是提供一个语义理解的轨迹达到超越他们在时间和空间上的点序列。所提出的技术使用驾驶偏好模型w.r.t.路段穿越成本，例如，旅行时间和距离，分析和解释轨迹。特别地，我们提出了轨迹挖掘技术，其可以（a）在轨迹内找到感兴趣的点，例如，经由点，以及（b）基于驾驶员所选择的轨迹恢复驾驶员的驾驶偏好。我们评估我们的技术上的任务，通过点识别和个性化的路由使用的数据集超过1万辆车的轨迹收集在整个丹麦在3年的时间。我们的技术可以有效地实现，并且是高度并行的，允许它们扩展到数百万或数十亿的轨迹。
2020-10-23 cs.DB cs.LG cs.RO
Spatiotemporal Capsule Neural Network for Vehicle Trajectory Prediction
Nanyang Technological University（南洋理工大学）
通过推进车联网（V2X）网络，道路安全、能源消耗和交通效率可以得到显著改善。准确的车辆轨迹预测有利于V2X网络实时应用的通信流量管理和网络资源分配。最近的研究报告了递归神经网络及其变体来预测车辆移动性。然而，车辆运动行为的空间属性一直被忽视，导致信息利用不充分。为了弥补这一差距，我们提出了第一次使用胶囊神经网络（CapsNet）与三个连续组件的分层轨迹预测结构。首先，地理信息被转换成一个网格地图表示，描述空间和时间的车辆移动分布。其次，CapsNet作为核心模型，通过层次胶囊嵌入局部时间和全局空间相关性。最后，在波尔图市（葡萄牙）和新加坡收集的实际出租车移动数据进行了广泛的实验表明，所提出的方法优于国家的最先进的方法。
2023-03-06 cs.CV cs.LG
In-Dataset Trajectory Return Regularization for Offline Preference-based Reinforcement Learning
Peng Cheng Laboratory（鹏城实验室）；University of Chinese Academy of Sciences（中国科学院大学）
提出数据集内轨迹回报正则化（DTR）方法，利用条件序列建模和集成归一化技术缓解离线偏好强化学习中的奖励偏差问题，在多个基准上取得优越性能。
2024-12-21 cs.AI cs.LG
Online Vehicle Trajectory Prediction using Policy Anticipation Network and Optimization-based Context Reasoning
Hong Kong University of Science and Technology（香港科技大学）
在本文中，我们提出了一个用于城市自动驾驶的在线两级车辆轨迹预测框架，其中存在复杂的上下文因素，例如车道几何形状、道路建设、交通法规和移动代理。我们的方法结合了高层次的政策预期与低层次的上下文推理。我们利用长短期记忆（LSTM）网络来预测车辆的驾驶策略（例如，向前，屈服，左转，右转等）使用其连续的历史观测。然后，该策略用于指导基于优化的低级别上下文推理过程。我们表明，这是必要的，以纳入事先的政策预期，由于未来的轨迹的多模态性质。此外，与现有的基于回归的轨迹预测方法相反，我们基于优化的推理过程可以应对复杂的上下文因素。两级推理过程的最终输出是一个连续的轨迹，自动适应不同的交通配置，并准确地预测未来的车辆运动。在一个新兴的自动驾驶仿真平台（CARLA）的性能分析和验证所提出的框架。
2019-03-03 cs.LG cs.RO
MSMA: Multi-agent Trajectory Prediction in Connected and Autonomous Vehicle Environment with Multi-source Data Integration
The University of Arizona（亚利桑那大学）；The University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）；Southwest Jiaotong University（西南交通大学）
本文提出MSMA深度学习框架，通过交叉注意力模块融合传感器与通信多源数据，结合矢量地图信息，在CARLA混合交通流场景中显著提升了CAV对周围多类型车辆轨迹预测的精度，尤其在高网联汽车渗透率下效果更佳。
2024-08-02 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
Data-Driven Vehicle Trajectory Forecasting
University of Hildesheim（希尔德斯海姆大学）
一个活跃的研究领域是提高自动驾驶汽车的安全性。虽然安全性不能完全保证，但车辆预测周围车辆未来轨迹的能力可以帮助确保这种安全性。我们将轨迹预测问题转化为多时间步长预测问题，并开发了一种基于卷积神经网络的方法来实时地从完全原始数据集生成的轨迹序列中学习。结果表明，与基线相比，情况有所改善。
2019-02-09 cs.CV cs.LG 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
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
Identification of Adaptive Driving Style Preference through Implicit Inputs in SAE L2 Vehicles
San Jose State University（圣何塞州立大学）
本研究通过驾驶模拟器收集36名参与者的行为、生理和情境多模态数据，构建机器学习模型识别SAE L2车辆用户的驾驶风格偏好，并验证所有模态均对偏好识别具有重要性，为实现隐式自适应驾驶风格奠定基础。
2022-09-21 cs.HC cs.LG cs.RO
Probabilistic Trajectory Prediction for Autonomous Vehicles with Attentive Recurrent Neural Process
Carnegie Mellon University（卡内基梅隆大学）
预测周围车辆的行为是至关重要的自主车辆协商时，在多车辆交互场景。大多数现有的方法需要繁琐的训练过程与大量的数据，并可能无法捕捉传播的不确定性的交互行为。多车辆的行为被假定为从一个随机过程中产生的。本文提出了一种注意递归神经过程（ARNP）方法来克服上述限制，它使用神经过程（NP）来学习多车辆交互行为的分布。我们提出的模型继承了神经网络的灵活性，同时保持贝叶斯概率特性。ARNP模型通过将NP与递归神经网络（RNN）相结合来构建，以观察到的所有周围车辆的长期序列数据为条件来预测目标车辆轨迹的分布。通过学习和预测复杂交通场景下的换道轨迹验证了该方法。实验结果表明，我们提出的方法优于以前的同行在准确性和不确定性的表达。此外，NP的元学习本能使我们提出的ARNP模型能够捕获所有观测的全局信息，从而能够有效地适应新目标。
2019-10-17 cs.LG cs.RO
Vehicle-counting with Automatic Region-of-Interest and Driving-Trajectory detection
Lafayette College（拉斐特学院）；Universidad Autónoma de Santo Domingo（圣多明各自治大学）
车辆计数系统可以帮助车辆分析和交通事故检测。不幸的是，大多数现有的方法需要一定程度的人工输入来识别感兴趣区域（ROI）、感兴趣的运动，或者建立参考点或参考线以从交通摄像机计数车辆。这项工作介绍了一种方法来计算交通视频中的车辆，自动识别摄像机的ROI，以及车辆的行驶轨迹。这使得该方法可以与在发展中国家经常使用的泛变焦相机一起使用。初步结果表明，该方法实现了平均交叉超过工会的57.05%的ROI和平均绝对误差仅为17.44%，在交通视频摄像机测试计数车辆。
2021-08-21 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
Multi-Head Attention based Probabilistic Vehicle Trajectory Prediction
Hanyang University（汉阳大学）
本文提出了一种用于概率车辆轨迹预测的在线深度学习模型。我们提出了一个简单的编码器-解码器架构的基础上多头注意力。所提出的模型产生的分布的预测轨迹的多个车辆并行。我们对交互进行建模的方法可以学习以无监督的方式关注一些有影响力的车辆，这可以提高网络的可解释性。在高速公路上使用自然轨迹的实验表明，在纵向和横向方向上的位置误差方面有明显的改善。
2020-07-04 cs.CV cs.LG cs.RO
Federated Learning-based Vehicle Trajectory Prediction against Cyberattacks
Imperial College London（帝国理工学院）
针对车联网中虚假数据攻击与轨迹隐私泄露问题，提出联邦学习车辆轨迹预测算法FL-TP，并在VeReMi五类攻击数据集上验证其检测与预测性能提升。
2023-06-14 cs.CR cs.LG cs.SY
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
VeTraSS: Vehicle Trajectory Similarity Search Through Graph Modeling and Representation Learning
Dartmouth College（达特茅斯学院）；Shanghai Jiao Tong University（上海交通大学）；University of California, Irvine（加州大学欧文分校）；Harvard University（哈佛大学）
针对现有车辆轨迹相似性搜索方法架构复杂、未利用轨迹动态特征的问题，提出基于多尺度图建模与多层注意力GNN的端到端框架VeTraSS，在两个数据集上达到SOTA，可支撑自动驾驶轨迹分析与安全导航。
2024-04-11 cs.AI cs.LG cs.RO
Adaptive Probabilistic Vehicle Trajectory Prediction Through Physically Feasible Bayesian Recurrent Neural Network
University of California, Berkeley（加州大学伯克利分校）
概率车辆轨迹预测对于自动驾驶的鲁棒安全性至关重要。目前的长期轨迹预测方法不能保证预测分布的物理可行性。此外，它们的模型不能适应预测的目标人类驾驶员的驾驶策略。在这项工作中，我们建议克服这两个缺点的贝叶斯循环神经网络模型组成的贝叶斯神经网络为基础的政策模型和已知的物理模型的情况下。贝叶斯神经网络可以集成复杂的输出分布，使轨迹分布族丰富。嵌入式物理模型保证了分布的可行性。此外，所采用的基于梯度的训练方法允许直接优化，以在长预测范围内获得更好的性能。设计了一种基于粒子滤波的参数自适应算法，使策略贝叶斯神经网络在线适应预测目标。通过一个具有多模态随机反馈增益和自然跟驰数据的玩具算例验证了所提方法的有效性。
2019-11-11 cs.LG stat.ML
Understanding and Shifting Preferences for Battery Electric Vehicles
Toyota Research Institute（丰田研究院）
为个人确定个性化干预措施是一项重要任务。最近的研究表明，不考虑个人消费者人口背景的干预措施实际上会产生相反的效果，加强对电动汽车的反对。在这项工作中，我们专注于基于个人人口统计数据的个性化干预方法，以改变消费者对电池电动汽车（BEV）的偏好。在建立模型以建议改变偏好的干预措施时，一个限制因素是，每一项干预措施都可能影响后来干预措施的有效性。这反过来又要求许多受试者评估每种可能干预措施的有效性。为了解决这个问题，我们建议确定影响BEV采用的个性化因素，如障碍和激励因素。我们提出了一种方法来预测这些因素，并表明，性能优于总是预测最常见的因素。然后，我们提出了一个强化学习（RL）模型，学习最有效的干预措施，并比较每种方法所需的受试者数量。
2022-02-09 cs.AI cs.IR cs.LG
Graph-Based Spatial-Temporal Convolutional Network for Vehicle Trajectory Prediction in Autonomous Driving
Shanghai Jiao Tong University（上海交通大学）
预测相邻车辆的运动轨迹是自主车辆进行决策和运动规划的关键步骤。本文提出了一种基于图的时空卷积网络（GSTCN），预测未来的轨迹分布的所有邻居车辆使用过去的轨迹。该网络使用图卷积网络（GCN）处理空间交互，并使用卷积神经网络（CNN）捕获时间特征。时空特征通过门控递归单元（GRU）网络进行编码和解码，以生成未来的轨迹分布。此外，我们提出了一个加权邻接矩阵来描述车辆之间的相互影响的强度，烧蚀研究表明，我们提出的方案的有效性。在下一代仿真系统（NGSIM）中的I-80和US-101两个真实的高速公路轨迹数据集上对该网络进行了测试，从预测误差、模型大小和推理速度三个方面进行了比较，结果表明该网络具有最佳的性能。
2021-09-27 cs.AI cs.LG cs.RO
Hindsight Preference Learning for Offline Preference-based Reinforcement Learning
Nanjing University（南京大学）；School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
本文提出后见偏好学习（HPL），通过以轨迹段未来结果为条件的奖励建模人类偏好，并利用变分自编码器近似未来结果分布，从而在离线偏好强化学习中更有效地进行信用分配，实验证明其在多个领域能提供稳健且优越的奖励。
2024-07-05 cs.AI cs.LG
Mining Personalized Climate Preferences for Assistant Driving
IBM Research – China（IBM中国研究院）；The Graduate Center, The City University of New York（纽约市立大学研究生院）；The City College, The City University of New York（纽约市立大学城市学院）
在过去的几年里，辅助驾驶和自动驾驶都吸引了大量的关注。然而，大多数研究工作都集中在安全驾驶上;很少有研究是关于车内气候控制或基于旅行者个人习惯或偏好的辅助驾驶。在本文中，我们提出了一种新的方法，气候控制，驾驶员行为识别和驾驶建议，更好地适应驾驶员的喜好，在他们的日常驾驶。该算法由三个部分组成：（1）车载传感和上下文特征丰富组件，具有物联网（IoT）平台，用于收集影响驾驶员行为的相关环境，车辆运行和交通参数。(2)非侵入式智能驾驶员行为和车辆状态检测组件，可自动标记车辆状态（打开车窗、打开空调等），基于应用另外的特征提取和机器学习算法的结果。(3)个性化的驾驶员习惯学习和偏好推荐组件，提供更健康、更舒适的体验。已经开发了一个使用客户端-服务器架构的原型，该原型具有iOS应用程序和空气质量监测传感器，用于收集异构数据并测试我们的算法。我们在全球多个城市对不同驾驶员的11，370 km（320小时）驾驶数据进行了真实实验，证明了我们方法的有效性和准确性。
2020-06-16 cs.LG stat.ML
SCOUT: Socially-COnsistent and UndersTandable Graph Attention Network for Trajectory Prediction of Vehicles and VRUs
University of Alcalá（阿尔卡拉大学）；European Commission, Joint Research Center（欧盟委员会联合研究中心）
自动驾驶车辆在各种条件下在动态变化的环境中导航，不断受到周围物体的影响。智能体之间的交互建模对于准确预测其他智能体的行为和实现安全舒适的运动规划至关重要。在这项工作中，我们提出了SCOUT，一种新的基于注意力的图神经网络，使用灵活和通用的表示场景作为一个图形建模的互动，并预测社会一致的轨迹车辆和弱势道路使用者（VRU）在混合交通条件下。我们探索三种不同的注意力机制和测试我们的计划与鸟瞰图和车载城市数据，实现优于现有的国家的最先进的方法在InD和ApolloScape轨迹基准。此外，我们通过在RoundD数据集上的全新场景下对其进行测试来评估我们模型的灵活性和可移植性。通过整合注意力技术和注意力学习的可视化，探讨了每种交互在最终预测中的重要性和影响。
2021-05-29 cs.AI 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
CRAT-Pred: Vehicle Trajectory Prediction with Crystal Graph Convolutional Neural Networks and Multi-Head Self-Attention
Mercedes-Benz AG（梅赛德斯-奔驰股份公司）；Ulm University（乌尔姆大学）
预测周围车辆的运动对于自动驾驶汽车至关重要，因为它控制着自己的运动计划。当前最先进的车辆预测模型严重依赖于地图信息。但实际上，这些信息并不总是可用的。因此，我们提出了CRAT-Pred，一个多模式和非光栅化的轨迹预测模型，专门设计用于有效地模拟车辆之间的社交互动，而不依赖于地图信息。CRAT-Pred将源自材料科学领域的图形卷积方法应用于车辆预测，可以有效地利用边缘特征，并将其与多头自注意力相结合。与其他无映射方法相比，该模型以显著更少的模型参数实现了最先进的性能。除此之外，我们定量地表明，自我注意力机制能够学习车辆之间的社会互动，权重代表可测量的互动得分。源代码是公开的。
2022-02-10 cs.CV cs.LG cs.RO
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
Online learning-based trajectory tracking for underactuated vehicles with uncertain dynamics
University of Pennsylvania（宾夕法尼亚大学）；Instituto de Ciencias Matematicas (CSIC-UAM-UCM-UC3M)（数学科学研究所（西班牙国家研究委员会-马德里自治大学-马德里康普顿斯大学-卡洛斯三世大学））；Technical University of Munich（慕尼黑工业大学）
近年来，由于航空和水下航行器以及纳米卫星数量的增加，欠驱动车辆受到了广泛的关注。这些飞行器的轨迹跟踪控制是越来越多的应用领域的一个重要方面。然而，外部干扰和内部动态的一部分往往是未知的或非常耗时的模型。为了克服这个问题，我们提出了一个跟踪控制律的欠驱动刚体动力学使用在线学习为基础的预言未知动态的预测。我们表明，高斯过程模型是特别感兴趣的角色的预言。所提出的方法保证了有界的跟踪误差与高概率的界限是明确给出的。数值例子突出了所提出的控制律的有效性。
2021-09-14 cs.LG cs.SY eess.SY
Intention-aware Long Horizon Trajectory Prediction of Surrounding Vehicles using Dual LSTM Networks
California PATH, University of California, Berkeley（加州大学伯克利分校加州合作伙伴先进运输技术项目（PATH））；Tsinghua University（清华大学）；University of California, Berkeley（加州大学伯克利分校）
自动驾驶汽车需要与其他道路使用者进行交互，因此全面了解动态交通环境，特别是周围车辆未来可能的轨迹非常重要。提出了一种基于双长短期记忆（LSTM）网络的车辆长时域轨迹预测算法，可有效提高强交互驾驶环境下的预测精度。与传统的需要轨迹匹配和手动特征选择的方法相比，该方法可以通过序列学习从自然驾驶数据中自动学习驾驶员行为的高级时空特征。通过采用两个LSTM块，所提出的方法将顺序轨迹馈送到第一个LSTM，用于驾驶员意图识别作为中间指示符，紧接着是第二个LSTM，用于未来轨迹预测。实际高速公路驾驶数据的测试结果表明，与现有方法相比，该方法能够更准确、合理地估计出5s时间范围内的不同未来轨迹，纵向和横向预测的均方根误差（RMSE）分别小于5.77m和0.49m。
2019-06-06 cs.LG cs.RO stat.ML
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
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
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
