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%。