基于上下文无关聚类的可能、轻量且准确的轨迹预测
机器学习
2023-07-28 v1
摘要
道路交通运输网络中的自主系统需要能够应对不确定性以预见未来的智能机制。本文提出一种用于轨迹预测的多阶段概率方法：将轨迹变换到位移空间、对位移时间序列聚类、生成轨迹提议以及对提议排序。我们引入了一种基于自条件 GAN(self-conditioned GAN)的新深度特征聚类方法，其比传统方法更能应对分布偏移。此外，我们提出了一种新颖的基于距离的提议排序方法，为生成的轨迹分配概率，该方法比辅助神经网络更高效且准确。整体系统在人与道路智能体轨迹数据上超越了上下文无关深度生成模型，同时在比较最可能轨迹时与逐点估计器表现相当。
引用
@article{arxiv.2307.14788,
title = {Likely, Light, and Accurate Context-Free Clusters-based Trajectory Prediction},
author = {Tiago Rodrigues de Almeida and Oscar Martinez Mozos},
journal= {arXiv preprint arXiv:2307.14788},
year = {2023}
}
备注
This paper has been accepted to the 26th IEEE International Conference on Intelligent Transportation Systems (ITSC 2023), which will be held in Bilbao, Spain on September 24-28, 2023