- 博客(5)
- 收藏
- 关注
RSS订阅原创 论文阅读：VectorNet: Encoding HD Maps and Agent Dynamics fromVectorized Representation
本文介绍了VectorNet，这是一个层次化的图神经网络，它首先利用了由向量表示的单个道路组件的空间位置，然后对所有组件之间的高阶相互作用进行建模。最近的方法是将运动物体的轨迹和道路环境信息作为鸟眼图像，用卷积神经网络（ConvNets)进行编码，而我们的方法在一个矢量表示上操作。通过对矢量的操作高清晰度（HD）地图和代理人的轨迹，我们避免了有损的渲染和计算密集的ConvNet编码步骤。为了进一步提高VectorNet学习上下文特征的能力，我们提出了一个新的辅助性任务来恢复被随机屏蔽的地图实体和代理基于他们
2022-08-02 16:19:30
3485
原创 论文阅读：SCENE TRANSFORMER: A UNIFIED ARCHITECTUREFOR PREDICTING MULTIPLE AGENT TRAJECTORIES
作为对我们模型的查询，使人们能够调用一个单一的模型，以多种方式预测代理人的行为，如可能的条件是自主车辆的目标或全部未来轨迹，或环境中其他代理的行为。最后，为了捕捉时间和代理的依赖性，该模型只是在后续层中交替使用对代理和时间的注意（图2，右侧面板）。我们强调，道路图的表示也是包罗万象的，并在场景中的所有代理中共享，而先前的方法通常使用每个代理的道路图表示。在每个时间步骤中的输出。边缘预测是只考虑一辆车的一条轨迹可能出现的概率，联合预测的概率是这一场景发生的概率，即在该场景下许多车辆的一条轨迹同时发生的概率。.
2022-08-02 11:01:36
1367
原创 论文阅读：M2I: From Factored Marginal Trajectory Prediction to Interactive Prediction
考虑到影响者和反应者的预测关系，我们使用边际预测器对影响者的N个样本进行信心评分（或概率）预测，对于每个影响者样本，我们使用条件预测器对反应者的N个样本进行预测。，即真实关系和预测的关系的交叉熵。尽管我们的方法可以采用任意的预测头，但由于无锚的目标预测头在轨迹预测基准中的突出表现，我们将重点放在无锚（anchorfree）的目标预测头上。由于驱动交互中的因果关系仍然是一个开放的问题[39]，我们根据启发式方法预先标记影响者与反应者的关系，并提出一个关系预测器，在推理时对交互关系进行分类。......
2022-08-01 11:01:46
623
原创 论文阅读-Data-driven trajectory prediction with weather uncertainties:A Bayesian deep learning approach
此外，贝叶斯方法不是使用经典DL中模型参数的单一点估计，而是产生每个参数的分布，这提供了预测不确定性的内在估计。之后，确定性神经网络模型被扩展为贝叶斯深度学习模型，以考虑不确定性，其中参数的后验分布是用变分推理来估计的，以提高效率。这个过程，数学化来说，就是求p(w|X,Y)，即求在给定输入X的条件下（w在X条件下的条件概率），w和y的联合概率分布。联合概率p(X,Y)---两件事情X和Y同时发生的概率，等同于(X=TrueandY=True)的概率.W轨迹的维度，飞机的是3维。...
2022-07-30 19:52:53
403
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人