实体 CAA-GMM

CAA-GMM

PulseAugur coverage of CAA-GMM — every cluster mentioning CAA-GMM across labs, papers, and developer communities, ranked by signal.

总计 · 30天

1

90 天内 1

发布 · 30天

0

90 天内 0

论文 · 30天

1

90 天内 1

层级分布 · 90 天

主题

时间线

2026-10-08 research_milestone A new Context-Aware Attention-based Gaussian Mixture Model (CAA-GMM) was introduced for vehicular trajectory prediction. 来源

情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 1 条

TOOL · CL_286922 · Oct 8 · 04:00

新的高斯混合模型增强了车辆轨迹预测能力

研究人员开发了一种新的上下文感知注意力机制高斯混合模型（CAA-GMM），用于在复杂驾驶场景中预测车辆轨迹。该模型采用概率混合方法，以场景上下文和代理动态为条件，以捕捉多样的行为模式。注意力机制能够有效地整合环境线索和运动历史，在nuScenes和Argoverse 2等数据集上实现了具有竞争力的准确性，同时保持了较低的计算成本。CAA-GMM在不完美的通信和感知条件下也表现出韧性，使其成为智能交通系统的可扩展解决方案。