Argoverse 2
PulseAugur coverage of Argoverse 2 — every cluster mentioning Argoverse 2 across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
训练数据的地理多样性可提升AI驾驶模型泛化能力
研究人员发现，在用于自动驾驶的自监督潜在世界模型中，训练数据的地理多样性比数据量本身对提高其跨域泛化能力更为关键。一项研究使用来自匹兹堡、波士顿和新加坡的数据训练JEPA模型，结果显示，与仅使用单一地区等量数据训练的模型相比，该模型在迈阿密和奥斯汀的未见场景中表现出显著更好的性能。即使使用单一地理区域的更大数据集进行训练，其泛化能力也无法与地理上多样化的较小数据集相媲美，这凸显了不同环境对模型鲁棒性性能的重要性。
-
LLM驱动的智能体自动化生物轨迹分析，新方法提高预测精度 · 跟踪6个来源
研究人员开发了SpaCellAgent，一个新颖的基于LLM的多智能体框架，旨在自动化空间和单细胞转录组学中的轨迹推断和分析。该框架旨在减少此类分析通常需要的手动干预，为时空建模提供端到端解决方案。据报道，SpaCellAgent在保持专家级性能的同时，分析效率提高了40%以上。此外，IMR和ECTraj等新方法正在推进多智能体轨迹预测在自动驾驶等应用中的发展，重点是提高准确性和降低推理延迟。
-
MapDreamer 使用扩散模型从航空影像生成车道级地图
研究人员开发了 MapDreamer，这是一种新颖的生成扩散模型，能够直接从单个航空影像合成车道级矢量地图。该模型利用由基于 Transformer 的潜在扩散模型预测的车道中心线及其拓扑关系的紧凑潜在表示。MapDreamer 通过交叉注意力将去噪步骤条件化于航空特征，以确保与观测场景的一致性，并包含一个具有背景虚车道潜在表示的车道基数模块来管理不同的车道数量。在源自 Argoverse 2 的 UrbanLaneGraph 数据集…
-
新的LAMP框架改进了自动驾驶轨迹预测
研究人员开发了LAMP（Lane-Aligned Motion Primitives），一个用于自动驾驶轨迹预测的新框架。该系统通过确保预测路径符合车道拓扑结构，即使对于不太可能的结果，也解决了当前预测器的关键限制。LAMP利用VQ-VAE学习离散运动原语，并使用一个考虑可行性的选择器来过滤掉无法实现的意图，从而增强了预测的可靠性和多样性。
-
新的ASP方法计算受约束的运动轨迹
研究人员开发了一种在复杂环境中计算物体运动轨迹的新颖方法。该方法利用答案集编程（ASP）生成受约束的分支轨迹模式，这些模式表示为稳定模型。这些模型提供混合的定量-定性分析，详细说明事件序列、地图拓扑和领域规范等因素，提供可验证的可解释性，这与纯粹的学习方法形成对比。通过使用Argoverse 2自动驾驶基准进行实证评估，证明了该系统的适用性。
-
面向自动驾驶的类别增量运动预测方法发布
研究人员推出了一种新颖的自动驾驶运动预测方法，称为类别增量运动预测。该方法通过直接从摄像头图像预测未来轨迹，解决了新物体类别随时间出现和感知不完美的问题。所提出的框架在适应新类别的同时防止先前学习信息的丢失，利用伪标签和开放词汇分割模型来过滤预测，并采用回放策略来保留先验知识。
-
新的神经符号框架增强了自动驾驶汽车的运动预测
研究人员开发了 Trajectory Compliance-Shaping (TraCS)，一个新颖的神经符号框架，旨在增强自主导航的运动预测。该系统将可解释的一阶逻辑与现有的神经网络模型相结合，使用代理管道将交通法规转化为概率预测。TraCS 还包含一个置信度评分，以防止过度依赖符号引导，并在 Argoverse 2 基准测试中展示了持续的改进，证明了其高效和广泛的适用性。
-
MapRF 使用 NeRF 引导的自训练进行弱监督高清地图构建
研究人员开发了 MapRF，一个新颖的框架，仅使用 2D 图像标签为自动驾驶系统构建高清 (HD) 地图。这种弱监督方法利用神经辐射场 (NeRF) 生成伪标签，然后通过自训练迭代地精炼地图网络。一个关键组件，Map-to-Ray Matching，有助于将地图预测与相机射线对齐以减少误差。在 Argoverse 2 和 nuScenes 数据集上的实验表明，MapRF 实现了与完全监督方法相当的性能，使得高清地图构建更具可扩展性和成本效益。
-
研究人员开发出基于可解释运动库的运动预测新框架
研究人员开发了一个新的运动预测框架，通过将预测 grounding 在物理上可实现的轨迹的结构化嵌入空间（称为“运动库”）中来增强可解释性。该方法使用对比学习来构建运动库，并使用新颖的 Anchor Retrieval Layer 来动态选择相关的运动先验。然后，系统使用 DETR 风格的解码器和 Winner-Takes-All 运动学高斯混合模型来精炼这些先验，在基准数据集上取得了有竞争力的准确性。
-
RetroMotion 模型使用逆因果 Transformer 进行代理运动预测
研究人员开发了 RetroMotion，这是一种用于道路使用者的运动预测的新方法，它将复杂的联合轨迹预测分解为更简单的边际和成对分布。该方法利用具有逆因果信息流的 Transformer 模型，通过考虑后续轨迹点来告知早期轨迹点，从而能够生成更准确的预测。值得注意的是，RetroMotion 不仅在多个基准数据集上取得了最先进的结果，而且还展示了其固有的遵循指令的能力，可以根据上下文命令调整预测。
-
新框架利用先验地图数据改进基于相机的3D目标检测
研究人员开发了一个名为DualViewMapDet的新型框架，用于仅使用相机进行3D目标检测和跟踪，这对于缺乏LiDAR传感器的自动驾驶系统尤其有益。该方法利用先前遍历的预先存在的点云地图来提供几何先验，克服深度模糊问题。该框架采用双空间融合策略，将透视和鸟瞰图中的地图数据与相机特征相结合，以提高定位精度。
-
OpenVO框架通过时间感知和几何先验增强视觉里程计
研究人员开发了OpenVO，一个用于开放世界视觉里程计的新框架，该框架考虑了时间动态并可与未校准的相机配合使用。与假设固定观测频率和校准相机的先前方法不同，OpenVO显式编码时间信息，并使用来自基础模型的3D几何先验。这种方法显著提高了鲁棒性和性能，在KITTI和nuScenes等主要自动驾驶基准测试中取得了超过20%的改进。