xinwangAA-CSDN博客

原创《HiVT: Hierarchical Vector Transformer for Multi-Agent Motion Prediction》论文精读

现有的方法忽略了问题的对称性，并且计算成本昂贵我们的方法通过将问题分解为局部上下文提取和全局交互建模我们提出了平移不变的场景表示和旋转不变的空间学习模块常见的矢量化方法通常对参考系的平移和旋转不具有鲁棒性，为了解决这个问题，现有的研究将场景进行归一化，使其以目标代理为中心，并与目标代理的航向对齐，但随之而来的是计算成本的提高在第一阶段，我们的框架避免了昂贵的全对全交互建模，并且只在局部提取上下文特征。

2024-04-02 12:05:55 1663 1

原创 LaneGCN《Learning Lane Graph Representationsfor Motion Forecasting》论文精读

为中心线上任意两个连续点(图3中的灰色圆圈)所构成的。

2024-03-11 20:50:54 1490 1

原创《VectorNet: Encoding HD Maps and Agent Dynamics fromVectorized Representation》论文精读

我们的折线子图网络可以看作是PointNet的推广：当我们设d s = d e，令a和l为空时，我们的网络与PointNet具有相同的输入和计算流程。为了使输入节点特征与目标智能体的位置保持不变，我们将所有向量的坐标归一化，使其在目标智能体的最后一个观测时间步的位置为中心。为了识别一个单独的折线节点，当其对应的特征被遮挡时，我们从它的所有所包含的向量中计算起始坐标的最小值，以获得嵌入标识符。图3显示了一个示例。的启发，我们提出了一种用于图表示的辅助损失方法，该方法学习从其邻居中预测缺失的节点特征。

2024-03-10 15:36:03 1621

原创《GRIP++: Enhanced Graph-based Interaction-aware TrajectoryPrediction for Autonomous Driving》论文精读

使用历史轨迹数据作为输入并将原始数据抽象为图结构添加在网络的训练中，使模型既能够考虑对象之前的运动模式又能够考虑到对象之间的相互影响和交互，并且图结构的数据处理时间相较于BEV或原始图像数据可以大大缩短，使得预测时间大大缩短，并且能够预测场景内所有对象的轨迹，模型的性能也极为优秀。

2023-04-30 20:23:09 653 3

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

原创 《HiVT: Hierarchical Vector Transformer for Multi-Agent Motion Prediction》论文精读

原创 LaneGCN《Learning Lane Graph Representationsfor Motion Forecasting​​》论文精读

原创 《VectorNet: Encoding HD Maps and Agent Dynamics fromVectorized Representation》论文精读

原创 《GRIP++: Enhanced Graph-based Interaction-aware TrajectoryPrediction for Autonomous Driving》论文精读

空空如也

空空如也

原创《HiVT: Hierarchical Vector Transformer for Multi-Agent Motion Prediction》论文精读

原创 LaneGCN《Learning Lane Graph Representationsfor Motion Forecasting》论文精读

原创《VectorNet: Encoding HD Maps and Agent Dynamics fromVectorized Representation》论文精读

原创《GRIP++: Enhanced Graph-based Interaction-aware TrajectoryPrediction for Autonomous Driving》论文精读