ETH/UCY
PulseAugur coverage of ETH/UCY — every cluster mentioning ETH/UCY across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新MoRE框架增强了基于语言的轨迹预测模型
研究人员开发了MoRE，一个旨在增强基于语言的轨迹预测模型的新型框架。MoRE使用强化学习将数值预测先验知识整合到现有的语言模型中，利用五个固定的数值预测器提供坐标级别的运动和交互知识。该方法通过将语言模型的上下文理解与数值专家的精确反馈相结合来优化预测，特别关注困难的预测案例。该框架在ETH-UCY等基准数据集上显示出显著的准确性提升，在保持推理效率的同时降低了预测误差。
-
新的GEAR模型动态激活社会背景以改进轨迹预测
研究人员开发了GEAR，一种新颖的人类轨迹预测模型，通过关注社会背景如何在未来轨迹生成过程中被激活来解决现有方法的局限性。与主要强调社会信息编码的先前方法不同，GEAR在每个未来步骤中动态调整个体运动和社会互动线索的贡献。这使得模型能够根据互动证据的强度和可靠性更好地控制社会因素的贡献，从而在基准数据集上获得改进的性能。
-
新方法利用不完美跟踪中的不确定性来预测轨迹
研究人员开发了一种新颖的轨迹预测方法，该方法考虑了现实世界跟踪数据中固有的不确定性。该方法将观测到的状态建模为高斯分布，同时考虑了定位抖动和数据关联模糊性。通过将这些不确定性视为信息信号，该模型可以生成更可靠的概率预测。在Oxford Town Centre和VIRAT等数据集上的实验表明，与传统方法相比，其准确性和预测可靠性得到了提高。
-
新框架 INTraJ 在轨迹预测中模拟社会影响
研究人员推出了一种新颖的轨迹预测框架 INTraJ，该框架在两个不同阶段显式模拟社会影响。第一阶段（规划）使用未来的社会信息构建参考轨迹，第二阶段（反应）通过纳入局部调整来完善这些轨迹。该方法在 Argoverse 2 和 ETH/UCY 等基准测试中得到验证，可持续提高预测精度，尤其是在长视界场景下，并在多项设置中取得了最先进的成果。
-
TSCA-Net 通过新颖的注意力和自适应模块改进行人轨迹预测
研究人员开发了 TSCA-Net，一个用于拥挤环境中行人轨迹预测的新颖框架。该系统通过引入可学习的时间门控、用于代理关系动态团体的潜在框架以及根据运动不确定性调整模型复杂度的自适应机制，解决了现有模型的局限性。在基准数据集上的实验表明，TSCA-Net 取得了最先进的性能。
-
新型扩散模型增强多智能体运动预测
研究人员开发了一个新的基于扩散的框架，以改进多智能体运动预测。该方法利用历史轨迹的上下文信息来增强预测运动的多样性和表现力。为了确保交互式智能体之间的一致性，基于能量的公式在保持个体轨迹合理性的同时，对联合轨迹分布进行优化。在基准数据集上的实验表明，该方法在边际和联合指标上均优于现有方法。
-
SceneSelect 引入选择性学习用于轨迹预测，准确率提升 10.5%
研究人员推出 SceneSelect，这是一种新颖的以场景为中心的轨迹预测范式，解决了传统以模型为中心方法的局限性。这种新方法分析场景特征，将输入动态路由到专门的专家模型，从而提高准确性并减少计算浪费。SceneSelect 利用无监督聚类来对场景进行分类，并使用分类模块来分配输入，从而可以灵活地与现有模型集成，并在无需大量重新训练的情况下适应新数据集。实验表明，SceneSelect 在多个基准测试中的平均性能优于现有方法 10.5%。