XiaoMi-AI文件搜索系统
World File Search SystemHighD
面向自动驾驶的高效脑启发学习...
摘要：准确安全地预测周围车辆的轨迹对于完全实现自动驾驶 (AD) 至关重要。本文提出了类人轨迹预测模型 (HLTP++)，该模型模拟人类的认知过程以改进 AD 中的轨迹预测。HLTP++ 采用了一种新颖的师生知识提炼框架。配备自适应视觉区的“老师”模型模仿人类驾驶员根据空间方向、距离和驾驶速度等因素表现出的注意力动态分配。另一方面，“学生”模型侧重于实时交互和人类决策，与人类的记忆存储机制相似。此外，我们通过引入新的傅里叶自适应脉冲神经网络 (FA-SNN) 来提高模型的效率，从而可以用更少的参数进行更快、更精确的预测。使用 NGSIM、HighD 和 MoCAD 基准进行评估，HLTP++ 表现出比现有模型更优异的性能，在 NGSIM 数据集上将预测轨迹误差降低了 11% 以上，在 HighD 数据集上将预测轨迹误差降低了 25%。此外，HLTP++ 在输入数据不完整的具有挑战性的环境中表现出很强的适应性。这标志着在实现完全 AD 系统的过程中迈出了重要一步。
mftraj：无图，行为驱动的轨迹预测
本文介绍了用于自动驾驶的轨迹预测模型，重点是动态流量sce-narios中的复杂相互作用，而不依赖高清图。该模型，称为MFTRAJ，利用历史轨迹数据与新型动态图基于行为感知的模块相结合。以自适应结构感知的交互式卷积网络在其核心上捕获了道路使用者的正常和行为特征，并提供了时空的复杂性。通过线性注意机制增强，该模型达到了计算效率并降低了参数开销。对Argoverse，ngsim，HighD和MoCAD数据集进行评估强调了MFTRAJ的鲁棒性和适应性，即使在数据挑战的方案中，也不需要获得其他信息，例如HD MAPS或矢量化映射，甚至超过了数字基准。重要的是，即使在情况下，它仍保持竞争性能，这些竞争性能与大多数现有的最新模型相当。结果和方法表明，自主驾驶轨迹预测的显着进步，为更安全，更有效的自主系统铺平了道路。
在缺失观察下自动驾驶的物理信息轨迹预测
本文介绍了一种新型的自动驾驶汽车（AV）的轨迹预测方法，熟练解决了缺少观察的挑战以及在现实世界驾驶环境中遵守物理定律的需求。这项研究为AVS提供了分层的两阶段轨迹模型。在第一阶段，我们提出了小波重建网络，该网络是一种创新的工具，该工具专业地精心制作，用于重建缺失的观察，并提供与状态模型的可选集成，以增强其稳健性。ad的第二阶段，模型的第二阶段具有波融合编码器，这是一种量子力学启发的创新，用于复杂的车辆相互作用建模。通过合并运动学自行车模型，我们确保我们的预测与逼真的车辆运动学保持一致。融合了我们的方法论进步，我们引入了MocAd-Missing，这是一个全面的现实交通数据集，以及增强的NGSIM和HighD数据集的版本，旨在通过未观察到的环境进行严格的测试。广泛的评估表明，我们的方法明显超过了效果，即使在最多75％缺少观察结果的情况下，也达到了很高的精度。
cdstraj：以自主驾驶的轨迹预测为特征的扩散和时空相互作用网络
轨迹预测是Au ausostos驾驶（AD）中的一个基石，在使车辆能够在动态环境中安全有效地导航时发挥了关键作用。为了解决此任务，本文提出了一个新颖的轨迹预测模型，该模型是在面对异质和不确定的交通情况下为准确性而定制的。该模型的核心是特征性的扩散模块，这是一个创新的模块，旨在模拟具有固有不确定性的流量。该模块通过将其注入偏低的语义信息，从而增强了障碍预测准确性，从而富含预测过程。对此进行补充，我们的时空（ST）相互作用模块会导致交通情况对空间和时间段落的VEHILE动力学的细微效果，具有出色的有效性。通过详尽的评估，我们的模型设定了轨迹预测的新标准，实现最新的ART（SOTA）结果（NGSIM），高速公路无人机（Highd）和澳门相互互联的自动驾驶（MOCAD）数据集合（MOCAD）的简短和easated persalal temal spans。这种表现低估了该模型在浏览复杂的交通情况，包括高速公路，城市街道和交叉点的无与伦比的适应性和效率。