Awesome Interaction Aware Trajectory Prediction

พฤติกรรมการรับรู้ปฏิสัมพันธ์และการทำนายวิถีที่ยอดเยี่ยม

นี่คือรายการตรวจสอบเอกสารการวิจัยที่ล้ำสมัย (ชุดข้อมูล บล็อก เอกสาร และรหัสสาธารณะ) ที่เกี่ยวข้องกับการทำนายวิถี หวังว่ามันจะเป็นประโยชน์สำหรับทั้งด้านวิชาการและอุตสาหกรรม (ยังอัพเดทอยู่)

ผู้ดูแล : Jiachen Li (มหาวิทยาลัยสแตนฟอร์ด); เหิงโป หม่า , จินหนิง ลี่ (มหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์)

อีเมล์ : [email protected]; {hengbo_ma, jinning_li}@berkeley.edu

โปรดดึงคำขอเพื่อเพิ่มแหล่งข้อมูลใหม่หรือส่งอีเมลถึงเราเพื่อสอบถาม การสนทนา และการทำงานร่วมกัน

หมายเหตุ : นี่ คือชุดสื่อสำหรับการเรียนรู้แบบเสริมกำลัง การตัดสินใจ และการวางแผนการเคลื่อนไหว

โปรดพิจารณาอ้างอิงงานของเราหากคุณพบว่า repo นี้มีประโยชน์:

 @inproceedings{li2020evolvegraph,
  title={EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational Reasoning},
  author={Li, Jiachen and Yang, Fan and Tomizuka, Masayoshi and Choi, Chiho},
  booktitle={2020 Advances in Neural Information Processing Systems (NeurIPS)},
  year={2020}
}

@inproceedings{li2019conditional,
  title={Conditional Generative Neural System for Probabilistic Trajectory Prediction},
  author={Li, Jiachen and Ma, Hengbo and Tomizuka, Masayoshi},
  booktitle={2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)},
  pages={6150--6156},
  year={2019},
  organization={IEEE}
}

สารบัญ

• ชุดข้อมูล
  • ยานพาหนะและการจราจร
  • คนเดินเท้า
  • นักกีฬา
• วรรณคดีและรหัส
  • เอกสารการสำรวจ
  • ระบบฟิสิกส์ที่มีปฏิสัมพันธ์
  • ยานพาหนะอัจฉริยะและคนเดินถนน
  • หุ่นยนต์เคลื่อนที่
  • นักกีฬา
  • ตัวชี้วัดมาตรฐานและการประเมินผล
  • คนอื่น

ชุดข้อมูล

ยานพาหนะและการจราจร

ชุดข้อมูล	ตัวแทน	สถานการณ์	เซนเซอร์
ชุดข้อมูลเปิด Waymo	ยานพาหนะ/นักปั่นจักรยาน/คน	ในเมือง/ทางหลวง	LiDAR / กล้อง / เรดาร์
อาร์โกเวิร์ส	ยานพาหนะ/นักปั่นจักรยาน/คน	ในเมือง/ทางหลวง	LiDAR / กล้อง / เรดาร์
nuScenes	ยานพาหนะ	ในเมือง	กล้อง/LiDAR/เรดาร์
สูงD	ยานพาหนะ	ทางหลวง	กล้อง
อินดี	ยานพาหนะ	ทางหลวง	กล้อง
รอบD	ยานพาหนะ	ทางหลวง	กล้อง
BDD100k	ยานพาหนะ/นักปั่นจักรยาน/คน	ทางหลวง/ในเมือง	กล้อง
กิตติ	ยานพาหนะ/นักปั่นจักรยาน/คน	ทางหลวง/พื้นที่ชนบท	กล้อง/ไลดาร์
เอ็นจีซิม	ยานพาหนะ	ทางหลวง	กล้อง
ปฏิสัมพันธ์	ยานพาหนะ/นักปั่นจักรยาน/คน	วงเวียน/ทางแยก	กล้อง
นักปั่นจักรยาน	นักปั่นจักรยาน	ในเมือง	กล้อง
อพอลโลสเคป	ยานพาหนะ/นักปั่นจักรยาน/คน	ในเมือง	กล้อง
ความอูดาซิตี้	ยานพาหนะ	ในเมือง	กล้อง
ทิวทัศน์ของเมือง	ยานพาหนะ/คน	ในเมือง	กล้อง
สแตนฟอร์ด โดรน	ยานพาหนะ/นักปั่นจักรยาน/คน	ในเมือง	กล้อง
อาร์โกเวิร์ส	ยานพาหนะ/คน	ในเมือง	กล้อง/ไลดาร์
แทรฟ	ยานพาหนะ/รถโดยสาร/นักปั่นจักรยาน/จักรยาน/คน/สัตว์	ในเมือง	กล้อง
ชุดข้อมูล Aschaffenburg Pose	นักปั่นจักรยาน/คน	ในเมือง	กล้อง

คนเดินเท้า

ชุดข้อมูล	ตัวแทน	สถานการณ์	เซนเซอร์
ยูซี่	ประชากร	ซาร่า / นักเรียน	กล้อง
อีทีเอช (ICCV09)	ประชากร	ในเมือง	กล้อง
วิรัต	คน/ยานพาหนะ	ในเมือง	กล้อง
กิตติ	ยานพาหนะ/นักปั่นจักรยาน/คน	ทางหลวง/พื้นที่ชนบท	กล้อง/ไลดาร์
เอทีซี	ประชากร	ศูนย์การค้า	เซ็นเซอร์ช่วง
เดมเลอร์	ประชากร	จากรถที่กำลังเคลื่อนที่	กล้อง
สถานีกลาง	ประชากร	ภายในสถานี	กล้อง
ใจกลางเมือง	ประชากร	ถนนในเมือง	กล้อง
เอดินบะระ	ประชากร	ในเมือง	กล้อง
ทิวทัศน์ของเมือง	ยานพาหนะ/คน	ในเมือง	กล้อง
อาร์โกเวิร์ส	ยานพาหนะ/คน	ในเมือง	กล้อง/ไลดาร์
สแตนฟอร์ด โดรน	ยานพาหนะ/นักปั่นจักรยาน/คน	ในเมือง	กล้อง
ทราจเน็ต	ประชากร	ในเมือง	กล้อง
พาย	ประชากร	ในเมือง	กล้อง
ForkingPaths	ประชากร	ในเมือง / การจำลอง	กล้อง
ทราจเน็ต++	ประชากร	ในเมือง	กล้อง
ชุดข้อมูล Aschaffenburg Pose	นักปั่นจักรยาน/คน	ในเมือง	กล้อง
ชุดข้อมูลมุมมองยอดนิยมของนักปั่นจักรยาน (CTV)	นักปั่นจักรยาน/คน	ในเมือง	กล้อง

นักกีฬา

ชุดข้อมูล	ตัวแทน	สถานการณ์	เซนเซอร์
ฟุตบอล	ประชากร	สนามฟุตบอล	กล้อง
เอ็นบีเอ สปอร์ตวียู	ประชากร	ฮอลล์บาสเก็ตบอล	กล้อง
เอ็นเอฟแอล	ประชากร	อเมริกันฟุตบอล	กล้อง

วรรณคดีและรหัส

เอกสารการสำรวจ

• การเรียนรู้ของเครื่องเพื่อการทำนายวิถีของยานพาหนะอัตโนมัติ: การสำรวจที่ครอบคลุม ความท้าทาย และทิศทางการวิจัยในอนาคต พิมพ์ล่วงหน้า arXiv arXiv:2307.07527, 2023 [กระดาษ]
• ผสมผสานความรู้ในการขับขี่เข้ากับการทำนายวิถียานพาหนะด้วยการเรียนรู้เชิงลึก: การสำรวจ, IEEE T-IV, 2023 [กระดาษ]
• การทำนายวิถีคนเดินเท้าในสภาพแวดล้อมผสมระหว่างคนเดินเท้าและยานพาหนะ: การทบทวนอย่างเป็นระบบ, IEEE T-ITS, 2023. [กระดาษ]
• การสำรวจวิธีการทำนายวิถีสำหรับการขับขี่อัตโนมัติ, IEEE T-IV 2022 [กระดาษ]
• การสำรวจการคาดการณ์วิถียานพาหนะตามโมเดลการเรียนรู้เชิงลึก การประชุมนานาชาติเกี่ยวกับระบบผู้เชี่ยวชาญที่ยั่งยืน ICSES 2022 [กระดาษ]
• การทำความเข้าใจสถานการณ์และการทำนายการเคลื่อนที่สำหรับยานพาหนะอัตโนมัติ – การทบทวนและการเปรียบเทียบ, IEEE T-ITS, 2022 [กระดาษ]
• เทคโนโลยีฟิวชั่นหลายรูปแบบตามข้อมูลยานพาหนะ: แบบสำรวจ arXiv พิมพ์ล่วงหน้า arXiv:2211.06080, 2022 [กระดาษ]
• การเรียนรู้แบบเสริมกำลังเชิงลึกสำหรับการขับขี่อัตโนมัติ: แบบสำรวจ, IEEE T-ITS, 2022 [กระดาษ]
• ปฏิสัมพันธ์ทางสังคมสำหรับการขับขี่อัตโนมัติ: บทวิจารณ์และมุมมอง arXiv พิมพ์ล่วงหน้า arXiv:2208.07541, 2022 [กระดาษ]
• เครือข่ายปฏิปักษ์ทั่วไปสำหรับข้อมูลเชิงพื้นที่: การสำรวจ, ACM T-IST, 2022. [กระดาษ]
• การทำนายเจตนาเชิงพฤติกรรมในฉากการขับขี่: แบบสำรวจ, arXiv พิมพ์ล่วงหน้า arXiv:2211.00385, 2022 [กระดาษ]
• แบบสำรวจการทำนายการเคลื่อนไหวของคนเดินถนนและยานพาหนะสำหรับการขับขี่อัตโนมัติ, การเข้าถึง IEEE, 2021. [กระดาษ]
• ทบทวนวิธีการทำนายวิถีคนเดินเท้า: การเปรียบเทียบการเรียนรู้เชิงลึกและแนวทางที่เน้นความรู้, arXiv พิมพ์ล่วงหน้า arXiv:2111.06740, 2021. [กระดาษ]
• แบบสำรวจเกี่ยวกับการจัดการข้อมูลวิถี การวิเคราะห์ และการเรียนรู้ CSUR 2021 [กระดาษ]
• การทำนายพฤติกรรมคนเดินถนนสำหรับการขับขี่อัตโนมัติ: ข้อกำหนด เมตริก และคุณลักษณะที่เกี่ยวข้อง, IEEE T-ITS, 2021. [กระดาษ]
• การทบทวนวิธีการที่ใช้การเรียนรู้เชิงลึกสำหรับการทำนายวิถีคนเดินเท้า, เซ็นเซอร์, 2021. [กระดาษ]
• แบบสำรวจเกี่ยวกับแนวทางการเรียนรู้เชิงลึกสำหรับการทำนายวิถียานพาหนะในการขับขี่อัตโนมัติ ROBIO 2021 [กระดาษ] [รหัส]
• การสำรวจเทคนิคการเรียนรู้เชิงลึกสำหรับการขับขี่อัตโนมัติ, วารสารวิทยาการหุ่นยนต์ภาคสนาม, 2020 [กระดาษ]
• การทำนายวิถีการเคลื่อนที่ของมนุษย์: การสำรวจ วารสารวิจัยหุ่นยนต์นานาชาติ ปี 2020 [กระดาษ]
• การขับขี่อัตโนมัติด้วยการเรียนรู้เชิงลึก: การสำรวจเทคโนโลยีล้ำสมัย, arXiv พิมพ์ล่วงหน้า arXiv:2006.06091, 2020 [กระดาษ]
• แบบสำรวจเกี่ยวกับการจำลองการจราจรด้วยภาพ: โมเดล การประเมิน และการประยุกต์ในการขับขี่อัตโนมัติ ฟอรัมคอมพิวเตอร์กราฟิกส์ 2020 [กระดาษ]
• การทำนายพฤติกรรมยานพาหนะโดยการเรียนรู้เชิงลึกสำหรับการใช้งานการขับขี่อัตโนมัติ: บทวิจารณ์, IEEE T-ITS 2020 [กระดาษ]
• แบบสำรวจการเรียนรู้การเสริมกำลังเชิงลึกเพื่อการวางแผนการเคลื่อนที่ของยานยนต์ไร้คนขับ, IEEE T-ITS 2020. [กระดาษ]
• ความคล้ายคลึงกันของวิถียานพาหนะ: โมเดล วิธีการ และการใช้งาน การสำรวจด้วยคอมพิวเตอร์ ACM (CSUR 2020) [กระดาษ]
• การสร้างแบบจำลองและการทำนายพฤติกรรมของผู้ขับขี่มนุษย์: การสำรวจ, 2020. [กระดาษ]
• การทบทวนวรรณกรรมเกี่ยวกับการทำนายพฤติกรรมคนเดินเท้าในสถานการณ์เมือง ITSC 2018 [กระดาษ]
• แบบสำรวจการทำนายเส้นทางด้วยการมองเห็น [กระดาษ]
• ยานพาหนะขับเคลื่อนอัตโนมัติที่มีปฏิสัมพันธ์กับคนเดินถนน: การสำรวจทฤษฎีและการปฏิบัติ [กระดาษ]
• การทำเหมืองข้อมูลวิถี: ภาพรวม [กระดาษ]
• แบบสำรวจการทำนายการเคลื่อนไหวและการประเมินความเสี่ยงสำหรับรถยนต์อัจฉริยะ [กระดาษ]

ระบบฟิสิกส์ที่มีปฏิสัมพันธ์

• การเรียนรู้พลวัตทางกายภาพด้วยโครงข่ายประสาทเทียมแบบกราฟ Subequivariant, NeurIPS 2022 [กระดาษ] [รหัส]
• EvolveGraph: การทำนายวิถีแบบหลายตัวแทนพร้อมการใช้เหตุผลเชิงสัมพันธ์แบบไดนามิก, NeurIPS 2020 [กระดาษ]
• เทมเพลตปฏิสัมพันธ์สำหรับระบบหลายหุ่นยนต์, IROS 2019 [กระดาษ]
• การอนุมานเชิงสัมพันธ์ทางประสาทแบบแยกตัวประกอบสำหรับระบบหลายปฏิสัมพันธ์ เวิร์กช็อป ICML 2019 [กระดาษ] [รหัส]
• Physics-as-Inverse-Graphics: การเรียนรู้ร่วมกันแบบไม่มีผู้ดูแลของวัตถุและฟิสิกส์จากวิดีโอ 2019 [กระดาษ]
• การอนุมานเชิงสัมพันธ์ทางประสาทสำหรับระบบโต้ตอบ, ICML 2018. [กระดาษ] [รหัส]
• การเรียนรู้คุณสมบัติทางกายภาพแฝงโดยไม่อยู่ภายใต้การดูแลโดยใช้เครือข่ายการรับรู้และการทำนาย UAI 2018 [กระดาษ]
• อคติเชิงอุปนัยเชิงสัมพันธ์ การเรียนรู้เชิงลึก และเครือข่ายกราฟ 2561 [กระดาษ]
• การเพิ่มความคาดหวังทางประสาทเชิงสัมพันธ์ให้สูงสุด: การค้นพบวัตถุและการโต้ตอบโดยไม่ได้รับการดูแล, ICLR 2018 [กระดาษ]
• กราฟเครือข่ายเป็นเครื่องมือฟิสิกส์ที่เรียนรู้ได้สำหรับการอนุมานและการควบคุม ICML 2018 [กระดาษ]
• การแสดงประสาทที่ยืดหยุ่นสำหรับการทำนายฟิสิกส์ ปี 2018 [กระดาษ]
• โมดูลโครงข่ายประสาทเทียมอย่างง่ายสำหรับการให้เหตุผลเชิงสัมพันธ์ 2560 [กระดาษ]
• VAIN: การสร้างแบบจำลองการทำนายแบบหลายเอเจนต์ที่ตั้งใจ, NeurIPS 2017 [กระดาษ]
• Visual Interaction Networks, 2017. [กระดาษ]
• แนวทางเชิงวัตถุเชิงองค์ประกอบเพื่อการเรียนรู้พลศาสตร์ทางกายภาพ, ICLR 2017 [กระดาษ]
• เครือข่ายปฏิสัมพันธ์เพื่อการเรียนรู้เกี่ยวกับวัตถุ ความสัมพันธ์ และฟิสิกส์, 2016. [กระดาษ] [รหัส]

ยานพาหนะอัจฉริยะ & การจราจร & คนเดินเท้า

• การทำนายวิถีการเคลื่อนที่โดยคำนึงถึงสภาพแวดล้อมตามการแพร่กระจาย, arXiv พิมพ์ล่วงหน้า arXiv:2403.11643, 2024 [กระดาษ]
• MTP-GO: การทำนายวิถีวิถีหลายตัวแทนที่น่าจะเป็นแบบกราฟด้วย ODE ประสาท, IEEE T-IV 2023 [กระดาษ] [รหัส]
• MotionDiffuser: การทำนายการเคลื่อนที่แบบหลายตัวแทนที่ควบคุมได้โดยใช้การแพร่กระจาย, CVPR 2023 [กระดาษ]
• การเปิดเผยรูปแบบที่ขาดหายไป: กรอบงานแบบรวมไปสู่การคาดการณ์และการทำนายวิถี, CVPR 2023 [กระดาษ]
• การสุ่มตัวอย่างแบบไม่มีผู้ดูแลที่ส่งเสริมการทำนายวิถีมนุษย์แบบสุ่ม, CVPR 2023 [กระดาษ] [รหัส]
• การขับขี่อัตโนมัติที่มุ่งเน้นการวางแผน CVPR 2023 [กระดาษ] [รหัส]
• IPCC-TP: การใช้สัมประสิทธิ์สหสัมพันธ์เพียร์สันที่เพิ่มขึ้นสำหรับการทำนายวิถีวิถีหลายตัวแทนร่วม CVPR 2023 [กระดาษ]
• การยืนยันสิ่งกระตุ้นเป็นตัวเก็บตัวอย่างที่เป็นสากลและมีประสิทธิภาพในการทำนายวิถีการเคลื่อนที่ของมนุษย์แบบหลายรูปแบบ CVPR 2023 [กระดาษ]
• การทำนายวิถีโคจรแบบสืบค้น CVPR 2023 [กระดาษ] [รหัส] [QCNeXt]
• FEND: กรอบการเรียนรู้แบบตรงกันข้ามที่รับรู้การกระจายที่เพิ่มขึ้นในอนาคตสำหรับการทำนายวิถีหางยาว CVPR 2023 [กระดาษ]
• ติดตามและก้าว: แอนิเมชั่นคนเดินเท้าที่ควบคุมได้ผ่านการแพร่กระจายวิถีวิถีนำ, CVPR 2023. [กระดาษ] [เว็บไซต์]
• FJMP: การทำนายการเคลื่อนที่หลายตัวแทนแบบแยกตัวประกอบเหนือกราฟปฏิสัมพันธ์แบบอะไซคลิกแบบเรียนรู้โดยตรง, CVPR 2023 [กระดาษ] [เว็บไซต์]
• แบบจำลองการแพร่กระจายแบบก้าวกระโดดสำหรับการทำนายวิถีสุ่ม, CVPR 2023 [กระดาษ] [รหัส]
• ViP3D: การทำนายวิถีการมองเห็นแบบ end-to-end ผ่านการสืบค้น 3D Agent, CVPR 2023 [บทความ] [เว็บไซต์]
• EqMotion: การทำนายการเคลื่อนที่ของเอเจนต์หลายตัวที่เทียบเท่าพร้อมการใช้เหตุผลโต้ตอบที่ไม่แปรเปลี่ยน, CVPR 2023 [กระดาษ] [รหัส]
• V2X-Seq: ชุดข้อมูลต่อเนื่องขนาดใหญ่สำหรับการรับรู้และการพยากรณ์สหกรณ์ยานพาหนะ-โครงสร้างพื้นฐาน CVPR 2023 [กระดาษ] [รหัส]
• การทำนายการเคลื่อนไหวแบบไม่เชื่อเรื่องพระเจ้าในระดับที่มีการควบคุมดูแลอย่างอ่อนแอสำหรับการขับขี่แบบอัตโนมัติ, CVPR 2023 [กระดาษ]
• สลายตัวมากขึ้นและรวมกลุ่มได้ดีขึ้น: สองมุมมองที่ใกล้ชิดยิ่งขึ้นเกี่ยวกับการเรียนรู้การแทนความถี่สำหรับการทำนายการเคลื่อนที่ของมนุษย์ CVPR 2023 [กระดาษ]
• HumanMAC: Masked Motion Completion สำหรับการทำนายการเคลื่อนไหวของมนุษย์, ICCV 2023 [กระดาษ] [รหัส]
• BeLFusion: การแพร่กระจายแฝงสำหรับการทำนายการเคลื่อนที่ของมนุษย์ที่ขับเคลื่อนด้วยพฤติกรรม, ICCV 2023 [กระดาษ] [รหัส]
• EigenTrajectory: ตัวอธิบายระดับต่ำสำหรับการพยากรณ์วิถีหลายรูปแบบ, ICCV 2023 [กระดาษ] [รหัส]
• ADAPT: การทำนายวิถีวิถีหลายตัวแทนที่มีประสิทธิภาพพร้อมการปรับตัว ICCV 2023 [กระดาษ] [รหัส]
• PowerBEV: กรอบงานที่ทรงพลังแต่มีน้ำหนักเบาสำหรับการทำนายอินสแตนซ์ในมุมมองแบบ Bird's-Eye View, IJCAI 2023 [กระดาษ] [รหัส]
• การแพร่กระจาย-การปรับแต่งจลนศาสตร์ข้อต่อของมนุษย์สำหรับการทำนายการเคลื่อนที่แบบสุ่ม, AAAI 2023 [กระดาษ]
• การเรียนรู้การเป็นตัวแทนแบบหลายสตรีมเพื่อการทำนายวิถีคนเดินเท้า, AAAI 2023 [กระดาษ]
• การสร้างวิถีต่อเนื่องโดยยึดตาม GAN สองขั้นตอน, AAAI 2023 [กระดาษ] [รหัส]
• ชุดของการทำนายวิถีคนเดินเท้าแบบมีเงื่อนไขควบคุมจุดควบคุม AAAI 2023 [กระดาษ] [รหัส]
• การใช้ประโยชน์จากเหตุผลความสัมพันธ์ในอนาคตสำหรับการทำนายวิถียานพาหนะ, ICLR 2023 [กระดาษ]
• TrafficGen: การเรียนรู้เพื่อสร้างสถานการณ์การจราจรที่หลากหลายและสมจริง ICRA 2023 [กระดาษ] [รหัส]
• GANet: เครือข่ายพื้นที่เป้าหมายสำหรับการพยากรณ์ความเคลื่อนไหว, ICRA 2023. [กระดาษ] [รหัส]
• TOFG: การเป็นตัวแทนสภาพแวดล้อมที่เป็นหนึ่งเดียวและละเอียดในการขับขี่อัตโนมัติ, ICRA 2023 [กระดาษ]
• SSL-Lanes: การเรียนรู้แบบควบคุมตนเองสำหรับการพยากรณ์การเคลื่อนไหวในการขับขี่แบบอัตโนมัติ, CoRL 2023 [กระดาษ] [รหัส]
• LimSim: โปรแกรมจำลองการจราจรหลายสถานการณ์เชิงโต้ตอบระยะยาว, ITSC 2023 [กระดาษ] [รหัส]
• MVHGN: การทำนายวิถีกราฟเชิงพื้นที่แบบปรับเปลี่ยนลำดับชั้นแบบหลายมุมมองแบบเครือข่ายสำหรับตัวแทนการรับส่งข้อมูลที่แตกต่างกัน, TITS [กระดาษ]
• การทำนายวิถีแบบปรับตัวและพร้อมกันสำหรับตัวแทนที่ต่างกันผ่านเครือข่ายหม้อแปลงแบบลำดับชั้นที่ถ่ายโอนได้, TITS [กระดาษ]
• SSAGCN: เครือข่าย Convolution Graph Convolution ของ Social Soft Attention สำหรับการทำนายวิถีคนเดินเท้า, TNNLS [กระดาษ] [รหัส]
• การแยกปฏิสัมพันธ์ของฝูงชนสำหรับการทำนายวิถีคนเดินเท้า, RAL [กระดาษ]
• VNAGT: เครือข่ายหม้อแปลงกราฟแบบไม่ถอยอัตโนมัติแบบผันแปรสำหรับการทำนายวิถีหลายตัวแทน ธุรกรรม IEEE เกี่ยวกับเทคโนโลยียานพาหนะ [กระดาษ]
• LSTM เชิงพื้นที่-ชั่วขณะ-สเปกตรัม: แบบจำลองที่สามารถถ่ายโอนได้สำหรับการทำนายวิถีคนเดินเท้า, TIV [กระดาษ]
• หม้อแปลงแบบองค์รวม: โครงข่ายประสาทเทียมร่วมสำหรับการทำนายวิถีและการตัดสินใจของยานพาหนะอัตโนมัติ, ประชาสัมพันธ์ [กระดาษ]
• Tri-HGNN: การเรียนรู้นโยบายสามประการหลอมรวมโครงข่ายประสาทเทียมกราฟลำดับชั้นสำหรับการทำนายวิถีคนเดินเท้า, PR [กระดาษ]
• การทำนายวิถียานพาหนะหลายรูปแบบด้วยการเรียนรู้การเสริมกำลังแบบผกผันและการหลีกเลี่ยงความเสี่ยงที่ทางแยกที่ไม่มีสัญญาณในเมือง, TITS [กระดาษ]
• การทำนายวิถีสำหรับการขับขี่อัตโนมัติโดยอิงจากกราฟเชิงพื้นที่-ชั่วคราวหลายระดับ, IET Intelligent Transport Systems [กระดาษ]
• เครือข่ายฝ่ายตรงข้ามที่สร้างความสนใจตนเองทางสังคมสำหรับการทำนายวิถีของมนุษย์ ธุรกรรม IEEE เกี่ยวกับปัญญาประดิษฐ์ [กระดาษ]
• CSIR: CVAE แบบเลื่อนแบบเรียงซ้อนพร้อมการคิดซ้ำโดยคำนึงถึงสังคมซ้ำแล้วซ้ำอีกเพื่อการทำนายวิถี TITS [กระดาษ]
• การหลบหลีกหลายรูปแบบและการทำนายวิถีสำหรับการขับขี่อัตโนมัติบนทางหลวงโดยใช้เครือข่ายหม้อแปลงไฟฟ้า RAL [กระดาษ]
• แบบจำลองหม้อแปลงตามหลักฟิสิกส์สำหรับการทำนายวิถียานพาหนะบนทางหลวง การวิจัยการขนส่ง ตอนที่ C: เทคโนโลยีเกิดใหม่ [กระดาษ] [รหัส]
• MacFormer: Map-Agent Coupled Transformer สำหรับการทำนายวิถีแบบเรียลไทม์และแข็งแกร่ง, RAL [กระดาษ]
• MRGTraj: แนวทางใหม่แบบไม่ถอยอัตโนมัติสำหรับการทำนายวิถีมนุษย์ TCSVT [กระดาษ] [รหัส]
• การทำนายวิถีตามลำดับชั้นที่ได้รับแรงบันดาลใจจากการวางแผนผ่านการสลายตัวด้านข้าง-ยาวสำหรับการขับขี่อัตโนมัติ, TIV [กระดาษ]
• Traj-MAE: Masked Autoencoders for Trajectory Prediction, arXiv preprint arXiv:2303.06697, 2023. [กระดาษ]
• การทำนายวิถีคนเดินเท้าที่ไม่แน่นอนโดยการรับรู้ผ่านการแพร่กระจายแบบกระจาย, arXiv พิมพ์ล่วงหน้า arXiv:2303.08367, 2023 [กระดาษ]
• แบบจำลองการแพร่กระจายสำหรับการสร้างวิถี GPS, arXiv พิมพ์ล่วงหน้า arXiv:2304.11582, 2023 [กระดาษ]
• Multiverse Transformer: โซลูชันอันดับหนึ่งสำหรับ Waymo Open Sim Agents Challenge 2023, เวิร์กช็อป CVPR 2023 เกี่ยวกับการขับขี่อัตโนมัติ [กระดาษ] [เว็บไซต์]
• Joint-Multipath++ สำหรับเอเจนต์จำลอง: โซลูชันอันดับ 2 สำหรับ Waymo Open Sim Agents Challenge 2023, เวิร์กช็อป CVPR 2023 เกี่ยวกับการขับขี่อัตโนมัติ [กระดาษ] [รหัส]
• MTR++: Multi-Agent Motion Prediction พร้อมการสร้างแบบจำลองฉากแบบสมมาตรและการสืบค้นความตั้งใจพร้อมคำแนะนำ โซลูชันอันดับ 1 สำหรับ Waymo Open Motion Prediction Challenge 2023 เวิร์กช็อป CVPR 2023 เกี่ยวกับการขับขี่อัตโนมัติ [กระดาษ] [รหัส]
• GameFormer: การสร้างแบบจำลองเชิงทฤษฎีเกมและการเรียนรู้ของการทำนายและการวางแผนเชิงโต้ตอบที่ใช้ Transformer สำหรับการขับขี่อัตโนมัติ, arXiv พิมพ์ล่วงหน้า arXiv:2303.05760, 2023 [กระดาษ] [รหัส] [เว็บไซต์]
• GameFormer Planner: กรอบการคาดการณ์และการวางแผนเชิงโต้ตอบที่เปิดใช้งานการเรียนรู้สำหรับยานยนต์อัตโนมัติ ความท้าทายในการวางแผน nuPlan ที่ CVPR 2023 เวิร์กช็อปการขับขี่อัตโนมัติแบบครบวงจร [กระดาษ] [รหัส]
• trajdata: อินเทอร์เฟซแบบรวมไปยังชุดข้อมูลวิถีมนุษย์หลายชุด arXiv พิมพ์ล่วงหน้า arXiv:2307.13924, 2023 [กระดาษ] [รหัส]
• Remember Intentions: การทำนายวิถีแบบ Retrospective-Memory-based, CVPR 2022. [กระดาษ] [รหัส]
• STCrowd: ชุดข้อมูลต่อเนื่องหลายรูปแบบสำหรับการรับรู้ของคนเดินเท้าในฉากที่แออัด CVPR 2022 [กระดาษ] [รหัส]
• การทำนายวิถียานพาหนะทำงานได้ แต่ไม่ใช่ทุกที่ CVPR 2022 [กระดาษ] [รหัส]
• การทำนายวิถีสุ่มผ่านการแพร่กระจายแบบไม่กำหนดการเคลื่อนไหว CVPR 2022 [กระดาษ] [รหัส]
• เครือข่ายสุ่มตัวอย่างความน่าจะเป็นสำหรับการทำนายวิถีโคจรของมนุษย์แบบสุ่ม, CVPR 2022 [กระดาษ] [รหัส]
• เรื่องความทนทานของศัตรูของการทำนายวิถีสำหรับยานยนต์ไร้คนขับ CVPR 2022 [กระดาษ] [รหัส]
• การทำนายวิถีแบบปรับตัวผ่าน Transferable GNN, CVPR 2022 [กระดาษ]
• สู่การพยากรณ์การเคลื่อนไหวที่แข็งแกร่งและปรับเปลี่ยนได้: มุมมองการเป็นตัวแทนเชิงสาเหตุ, CVPR 2022. [กระดาษ] [รหัส, รหัส]
• ข้อสังเกตกี่ครั้งก็เพียงพอแล้ว? การกลั่นความรู้เพื่อการพยากรณ์วิถี, CVPR 2022. [กระดาษ]
• การเรียนรู้จากยานพาหนะทุกประเภท CVPR 2022 [กระดาษ] [รหัส]
• การคาดการณ์จาก LiDAR ผ่านการตรวจจับวัตถุในอนาคต CVPR 2022 [กระดาษ] [รหัส]
• การคาดการณ์การกระจายวิถีจากต้นทางถึงปลายทางตามแผนที่ตารางการเข้าครอบครอง, CVPR 2022 [กระดาษ] [รหัส]
• M2I: จากการทำนายวิถีส่วนเพิ่มแบบแยกตัวประกอบไปจนถึงการทำนายเชิงโต้ตอบ CVPR 2022 [กระดาษ] [รหัส]
• GroupNet: โครงข่ายประสาทเทียมไฮเปอร์กราฟหลายสเกลสำหรับการทำนายวิถีด้วยการใช้เหตุผลเชิงสัมพันธ์ CVPR 2022 [กระดาษ] [รหัส]
• มันเป็นเพลงของใครกันแน่? การปรับปรุงความทนทานในการติดตามข้อผิดพลาดด้วยการทำนายตามความสัมพันธ์ CVPR 2022 [กระดาษ]
• ScePT: การคาดการณ์วิถีโคจรตามนโยบายที่สอดคล้องกับฉากสำหรับการวางแผน CVPR 2022 [กระดาษ] [รหัส]
• หม้อแปลงเชิงพื้นที่แบบกราฟพร้อมการเล่นซ้ำหน่วยความจำสำหรับการทำนายวิถีคนเดินเท้าในอนาคต CVPR 2022 [กระดาษ] [รหัส]
• MUSE-VAE: VAE หลายระดับสำหรับการทำนายวิถีระยะยาวโดยคำนึงถึงสิ่งแวดล้อม CVPR 2022 [กระดาษ]
• LTP: การทำนายวิถีตามเลนสำหรับการขับขี่อัตโนมัติ CVPR 2022 [กระดาษ]
• ATPFL: การออกแบบโมเดลการทำนายวิถีอัตโนมัติภายใต้กรอบการเรียนรู้แบบสหพันธรัฐ CVPR 2022 [กระดาษ]
• การทำนายวิถีมนุษย์ด้วยการสังเกตชั่วขณะ CVPR 2022 [กระดาษ]
• HiVT: ตัวแปลงเวกเตอร์แบบลำดับชั้นสำหรับการทำนายการเคลื่อนที่แบบหลายตัวแทน, CVPR 2022 [กระดาษ] [รหัส]
• การเรียนรู้การเป็นตัวแทนกลุ่มคนเดินเท้าสำหรับการทำนายวิถีหลายรูปแบบ ECCV 2022 [กระดาษ] [รหัส]
• โดยนัยทางสังคม: ทบทวนการประเมินการทำนายวิถีและประสิทธิผลของการประมาณค่าความน่าจะเป็นสูงสุดโดยนัย, ECCV 2022 [กระดาษ] [รหัส] [เว็บไซต์]
• โครงสร้างแฝงแบบลำดับชั้นสำหรับการพยากรณ์วิถียานพาหนะหลายรูปแบบ ECCV 2022 [กระดาษ] [รหัส]
• SocialVAE: การทำนายวิถีของมนุษย์โดยใช้ค่าแฝงตามกาลเวลา, ECCV 2022 [กระดาษ] [รหัส]
• ดูในแนวตั้ง: เครือข่ายแบบลำดับชั้นสำหรับการทำนายวิถีผ่านฟูริเยร์สเปกตรัม, ECCV 2022 [กระดาษ] [รหัส]
• หม้อแปลงไฟฟ้าแบบพลิกกลับเพื่อการอนุมานและการทำนายพฤติกรรมของผู้เข้าร่วม, ECCV 2022 [กระดาษ]
• D2-TPred: การพึ่งพาไม่ต่อเนื่องสำหรับการทำนายวิถีภายใต้สัญญาณไฟจราจร, ECCV 2022 [กระดาษ] [รหัส]
• การทำนายวิถีมนุษย์ผ่านฟิสิกส์สังคมประสาท ECCV 2022 [กระดาษ] [รหัส]
• Social-SSL: การเรียนรู้การเป็นตัวแทนข้ามลำดับแบบควบคุมตนเองโดยอิงจาก Transformers สำหรับการทำนายวิถีแบบหลายตัวแทน, ECCV 2022 [กระดาษ] [รหัส]
• ตระหนักถึงประวัติศาสตร์: การพยากรณ์วิถีด้วยข้อมูลพฤติกรรมท้องถิ่น, ECCV 2022. [กระดาษ] [รหัส]
• การเรียนรู้แบบตรงกันข้ามตามการกระทำเพื่อการทำนายวิถี, ECCV 2022 [กระดาษ]
• AdvDO: การโจมตีฝ่ายตรงข้ามที่สมจริงสำหรับการทำนายวิถี, ECCV 2022 [กระดาษ]
• ST-P3: การขับขี่อัตโนมัติด้วยการมองเห็นแบบ end-to-end ผ่านการเรียนรู้คุณลักษณะเชิงพื้นที่-ชั่วขณะ, ECCV 2022 [กระดาษ] [รหัส]
• ODE ทางสังคม: การพยากรณ์วิถีหลายตัวแทนด้วยสมการเชิงอนุพันธ์สามัญทางประสาท, ECCV 2022 [กระดาษ]
• การพยากรณ์วิถีมนุษย์จากประวัติฉาก, NeurIPS 2022 [กระดาษ] [รหัส]
• การคาดการณ์การควบคุมแบบมีวิถีโคจรสำหรับการขับขี่อัตโนมัติแบบครบวงจร: เส้นฐานที่เรียบง่ายแต่แข็งแกร่ง, NeurIPS 2022 [กระดาษ] [รหัส]
• Motion Transformer พร้อม Global Intention Localization และ Local Movement Refinement, NeurIPS 2022. [กระดาษ] [เว็บไซต์]
• การสร้างแบบจำลองปฏิสัมพันธ์ด้วยความสนใจแบบมัลติเพล็กซ์, NeurIPS 2022 [กระดาษ] [รหัส]
• การคาดการณ์และการวางแผนการเคลื่อนไหวเชิงโต้ตอบเชิงลึก: การเล่นเกมด้วยแบบจำลองการทำนายการเคลื่อนไหว การประชุมเกี่ยวกับการเรียนรู้สำหรับพลวัตและการควบคุม (L4DC) [กระดาษ] [เว็บไซต์]
• ต้นไม้ที่ตีความได้ทางสังคมสำหรับการทำนายวิถีคนเดินเท้า, AAAI 2022 [กระดาษ] [รหัส]
• Complementary Attention Gated Network สำหรับการทำนายวิถีคนเดินเท้า, AAAI 2022 [กระดาษ] [รหัส]
• Scene Transformer: สถาปัตยกรรมแบบครบวงจรสำหรับการทำนายวิถีในอนาคตของเอเจนต์หลายตัว, ICLR 2022 [กระดาษ]
• คุณเดินตามลำพังเป็นส่วนใหญ่: การวิเคราะห์การระบุแหล่งที่มาของคุณลักษณะในการทำนายวิถี, ICLR 2022 [กระดาษ]
• หม้อแปลงชุดลำดับตัวแปรแฝงสำหรับการทำนายการเคลื่อนที่หลายเอเจนต์ร่วม, ICLR 2022 [กระดาษ] [รหัส]
• THOMAS: เอาต์พุตแผนที่ความร้อนของวิถีพร้อมการสุ่มตัวอย่างหลายตัวแทนที่เรียนรู้, ICLR 2022 [กระดาษ]
• ความสนใจของกราฟ Path-Aware สำหรับแผนที่ HD ในการทำนายการเคลื่อนไหว, ICRA 2022 [กระดาษ]
• การทำนายวิถีด้วยการนำเสนอทางภาษา ICRA 2022. [กระดาษ]
• การใช้ประโยชน์จากความสนใจอย่างราบรื่นก่อนการทำนายวิถีวิถีหลายตัวแทน ICRA 2022 [กระดาษ] [เว็บไซต์]
• KEMP: โมเดลเชิงลึกจากต้นทางถึงปลายทางตามลำดับชั้นตามคีย์เฟรมสำหรับการทำนายวิถีระยะยาว, ICRA 2022 [กระดาษ]
• ลักษณะทั่วไปของโดเมนสำหรับการสร้างวิถีการขับขี่ตามวิสัยทัศน์, ICRA 2022. [กระดาษ] [เว็บไซต์]
• เครือข่ายกราฟแนวคิดเชิงลึกสำหรับการทำนายวิถีการรับรู้ปฏิสัมพันธ์, ICRA 2022 [กระดาษ]
• การทำนายวิถีโคจรของมนุษย์แบบมีเงื่อนไขโดยใช้บล็อกความสนใจซ้ำๆ, ICRA 2022 [กระดาษ]
• StopNet: วิถีโคจรที่ปรับขนาดได้และการทำนายอัตราการเข้าพักสำหรับการขับขี่อัตโนมัติในเมือง, ICRA 2022 [กระดาษ]
• การวิเคราะห์เมตาพาธบนกราฟ Spatio-Temporal สำหรับการทำนายวิถีคนเดินเท้า, ICRA 2022. [กระดาษ] [เว็บไซต์]
• การแพร่กระจายความไม่แน่นอนของรัฐผ่านการพยากรณ์วิถี, ICRA 2022. [กระดาษ] [รหัส]
• ไฮเปอร์: เรียนรู้การทำนายวิถีลูกผสมผ่านการอนุมานแบบแยกตัวประกอบและการสุ่มตัวอย่างแบบปรับเปลี่ยนได้, ICRA 2022 [กระดาษ]
• Grouptron: เครือข่าย Convolutional กราฟหลายระดับแบบไดนามิกสำหรับการพยากรณ์วิถีฝูงชนหนาแน่นแบบรับรู้กลุ่ม, ICRA 2022 [กระดาษ]
• กรอบการทำงาน Generative ที่ใช้หม้อแปลงแบบ Crossmodal สำหรับการทำนายวิถีคนเดินเท้า, ICRA 2022 [กระดาษ]
• การทำนายวิถีสำหรับการขับขี่อัตโนมัติด้วยแผนที่ Topometric, ICRA 2022 [กระดาษ] [รหัส]
• CRAT-Pred: การทำนายวิถียานพาหนะด้วยโครงข่ายประสาทเทียมแบบกราฟคริสตัลและการเอาใจใส่ตนเองแบบหลายหัว, ICRA 2022 [กระดาษ] [รหัส]
• MultiPath++: การรวมข้อมูลที่มีประสิทธิภาพและการรวมวิถีสำหรับการทำนายพฤติกรรม ICRA 2022 [บทความ]
• การทำนายการเคลื่อนไหวหลายรูปแบบด้วยโครงข่ายประสาทเทียมที่ใช้หม้อแปลงไฟฟ้าสำหรับการขับขี่อัตโนมัติ, ICRA 2022 [กระดาษ]
• GOHOME: เอาท์พุตแผนที่ความร้อนเชิงกราฟสำหรับการประมาณความเคลื่อนไหวในอนาคต, ICRA 2022 [กระดาษ]
• TridentNetV2: การแสดงแผนกราฟิกระดับโลกน้ำหนักเบาสำหรับการสร้างวิถีแบบไดนามิก ICRA 2022 [กระดาษ]
• การพยากรณ์วิถีวิถีแบบ Heterogeneous-Agent ผสมผสานความไม่แน่นอนของคลาส IROS 2022 [กระดาษ] [รหัส] [trajdata]
• การทำนายวิถีด้วยฟิวชั่นบริบทสองสเกลตามกราฟ IROS 2022 [กระดาษ] [รหัส]
• การทำนายวิถีที่แข็งแกร่งต่อการโจมตีของฝ่ายตรงข้าม, CoRL 2022 [กระดาษ] [รหัส]
• การวางแผนด้วยการแพร่กระจายเพื่อการสังเคราะห์พฤติกรรมที่ยืดหยุ่น, ICML 2022. [บทความ] [เว็บไซต์]
• การทำนายวิถีคนเดินเท้าแบบซิงโครนัสแบบสองทิศทางพร้อมการชดเชยข้อผิดพลาด ACCV 2022 [กระดาษ]
• AI-TP: การทำนายวิถีการเคลื่อนที่โดยคำนึงถึงการโต้ตอบตามความสนใจสำหรับการขับขี่อัตโนมัติ, IEEE T-IV, 2022 [กระดาษ] [รหัส]
• MDST-DGCN: เครือข่าย Convolutional Graph ที่กำกับโดย Spatiotemporal แบบไดนามิกหลายระดับสำหรับการทำนายวิถีคนเดินเท้า ความฉลาดทางการคำนวณ และประสาทวิทยาศาสตร์ [กระดาษ]
• เครือข่าย Convolutional เชิงพื้นที่และเชิงเวลาแบบกราฟสำหรับการทำนายวิถียานพาหนะในการขับขี่แบบอัตโนมัติ, IEEE T-ITS, 2022 [กระดาษ]
• การทำนายวิถีแบบหลายตัวแทนด้วยเครือข่ายความสนใจกราฟที่ปรับปรุงขอบต่างกัน, IEEE T-ITS, 2022 [กระดาษ]
• ตัวเข้ารหัส-ตัวถอดรหัสแบบ Convolutional เต็มรูปแบบพร้อมกลไกความสนใจสำหรับการทำนายวิถีคนเดินเท้าในทางปฏิบัติ IEEE T-ITS, 2022 [กระดาษ]
• STGM: การทำนายวิถียานพาหนะตามแบบจำลองกำเนิดสำหรับคุณสมบัติเชิงพื้นที่-ชั่วขณะ, IEEE T-ITS, 2022 [กระดาษ]
• การทำนายวิถีสำหรับการขับขี่อัตโนมัติโดยใช้หม้อแปลงความสนใจกราฟเชิงพื้นที่-ชั่วขณะ, IEEE T-ITS, 2022 [กระดาษ]
• การทำนายวิถียานพาหนะที่รับรู้ถึงเจตนาโดยอิงจากเครือข่ายความสนใจแบบไดนามิกเชิงพื้นที่และชั่วคราวสำหรับอินเทอร์เน็ตของยานพาหนะ, IEEE T-ITS, 2022 [กระดาษ] [รหัส]
• การพยากรณ์วิถีตามโครงข่ายประสาทเทียมแบบ Convolutional Neural Network ที่มีการกำหนดทิศทางล่วงหน้า, IEEE T-ITS, 2022 [กระดาษ]
• DeepTrack: การเรียนรู้เชิงลึกน้ำหนักเบาสำหรับการทำนายวิถียานพาหนะในทางหลวง, IEEE T-ITS, 2022 [กระดาษ]
• การทำนายวิถีแบบโต้ตอบโดยใช้วิธีการเรียนรู้เชิงลึกแบบบูรณาการแผนที่ความเสี่ยงในการขับขี่สำหรับยานพาหนะโดยรอบบนทางหลวง, IEEE T-ITS, 2022 [กระดาษ]
• การทำนายวิถียานพาหนะในสภาพแวดล้อมที่เชื่อมต่อผ่านเครือข่าย Convolutional Graph Context-Aware ที่แตกต่างกัน, IEEE T-ITS, 2022 [กระดาษ]
• โครงข่ายประสาทเทียมทำนายวิถีและการตีความแบบจำลองตามความสนใจรูปแบบชั่วคราว, IEEE T-ITS, 2022 [กระดาษ]
• การเรียนรู้กราฟปฏิสัมพันธ์แบบกระจัดกระจายของคนเดินเท้าที่ตรวจพบบางส่วนเพื่อการทำนายวิถี, IEEE RA-L, 2022 [กระดาษ] [รหัส]
• GAMMA: โมเดลทำนายการเคลื่อนไหวของตัวแทนทั่วไปสำหรับการขับขี่อัตโนมัติ, RAL [กระดาษ] [รหัส]
• เครือข่ายที่ขับเคลื่อนด้วยเป้าหมายแบบขั้นตอนสำหรับการทำนายวิถี RAL [กระดาษ] [รหัส]
• GA-STT: การทำนายวิถีของมนุษย์ด้วยหม้อแปลงไฟฟ้าเชิงพื้นที่-ชั่วขณะแบบรับรู้กลุ่ม, RAL [กระดาษ]
• การทำนายวิถี 4 มิติระยะยาวโดยใช้เครือข่ายปฏิปักษ์เชิงกำเนิด การวิจัยการขนส่งส่วนที่ C: เทคโนโลยีเกิดใหม่ [กระดาษ]
• กรอบการทำนายวิถีคนเดินเท้าตามบริบทสำหรับยานพาหนะอัตโนมัติ การวิจัยการขนส่งส่วนที่ C: เทคโนโลยีเกิดใหม่ [กระดาษ]
• การทำนายวิถีโคจรหลายรูปแบบที่อธิบายได้โดยใช้แบบจำลองความสนใจ การวิจัยการขนส่ง ตอนที่ C: เทคโนโลยีเกิดใหม่ [กระดาษ]
• CSCNet: เครือข่ายความสอดคล้องเชิงความหมายตามบริบทสำหรับการทำนายวิถีในพื้นที่แออัด, PR [กระดาษ]
• CSR: Cascade Variational Variational AutoEncoder พร้อม Social-aware Regression สำหรับการทำนายวิถีคนเดินเท้า, PR [กระดาษ]
• ขั้นตอนที่ต้องสนใจ: การทำนายวิถีคนเดินเท้าตามลำดับ, วารสารเซ็นเซอร์ IEEE [กระดาษ]
• วิธีการทำนายวิถียานพาหนะควบคู่กับแนวโน้มการเคลื่อนที่ของยานพาหนะอัตตาภายใต้กลไกความสนใจแบบคู่ ธุรกรรม IEEE เกี่ยวกับเครื่องมือวัดและการวัด [กระดาษ]
• การรับรู้ปฏิสัมพันธ์เชิงพื้นที่-ชั่วคราวและการกระจายวิถี เครือข่ายกราฟ Convolution การรับรู้สำหรับการทำนายวิถีวิถีหลายรูปแบบคนเดินเท้า ธุรกรรม IEEE เกี่ยวกับเครื่องมือวัดและการวัด [กระดาษ]
• ตัวเข้ารหัส–ตัวถอดรหัส-NN แบบลึก: โมเดลการทำนายและแก้ไขวิถีการเคลื่อนที่ของยานพาหนะอัตโนมัติแบบการเรียนรู้เชิงลึก Physica A: กลศาสตร์ทางสถิติและการประยุกต์ [กระดาษ]
• PTPGC: การทำนายวิถีคนเดินเท้าโดยเครือข่ายความสนใจแบบกราฟด้วย ConvLSTM หุ่นยนต์และระบบอัตโนมัติ [กระดาษ]
• GCHGAT: การทำนายวิถีคนเดินเท้าโดยใช้เครือข่ายความสนใจกราฟลำดับชั้นที่จำกัดแบบกลุ่ม Applied Intelligence [กระดาษ]
• การทำนายวิถียานพาหนะโดยใช้เครือข่าย VAE ที่เกิดซ้ำ การเข้าถึง IEEE [กระดาษ] [รหัส]
• ดูเหมือน: แบบจำลองพลังงานตามลำดับเอนโทรปีสำหรับการทำนายวิถีคนเดินเท้าแบบครบวงจร, TPAMI [กระดาษ]
• PTP-STGCN: การทำนายวิถีคนเดินเท้าโดยอิงจากโครงข่ายประสาทเทียมแบบกราฟ Spatio-temporal, หน่วยสืบราชการลับประยุกต์ [กระดาษ]
• การกระจายวิถี: คำอธิบายใหม่ของการเคลื่อนไหวสำหรับการทำนายวิถี สื่อภาพเชิงคำนวณ [กระดาษ]
• การทำนายวิถีสำหรับการขับขี่อัตโนมัติโดยอิงจากกราฟเชิงพื้นที่-เวลาหลายระดับ, IET Intelligent Transport Systems [กระดาษ]
• การทำนายวิถีการเรียนรู้อย่างต่อเนื่องด้วยเครือข่ายเสริมหน่วยความจำ ระบบฐานความรู้ [กระดาษ]
• Atten-GAN: การทำนายวิถีคนเดินเท้าด้วย GAN ตามกลไกความสนใจ การคำนวณทางปัญญา [กระดาษ]
• EvoSTGAT: การพัฒนาเครือข่ายความสนใจของกราฟ spatiotemporal สำหรับการทำนายวิถีคนเดินเท้า, การประมวลผลทางระบบประสาท [กระดาษ]
• การสร้างการรับรู้บริบทในการพยากรณ์การเคลื่อนไหว CVPR Workshops 2022 [กระดาษ] [รหัส]
• เครือข่ายที่เกิดซ้ำโดยใส่ใจตนเองโดยมีเป้าหมายเพื่อการทำนายวิถี การประชุมเชิงปฏิบัติการ CVPR ปี 2022 [กระดาษ] [รหัส]
• ความสำคัญอยู่ในความสนใจของคุณ: การคาดการณ์ความสำคัญของตัวแทนสำหรับการขับขี่อัตโนมัติ, เวิร์กช็อป CVPR ปี 2022 [กระดาษ]
• MPA: สถาปัตยกรรมที่ใช้ MultiPath++ สำหรับการทำนายการเคลื่อนไหว, CVPR Workshops 2022 [กระดาษ] [รหัส]
• TPAD: การระบุการคาดการณ์วิถีโคจรที่มีประสิทธิภาพภายใต้คำแนะนำของแบบจำลองการตรวจจับความผิดปกติของวิถี arXiv:2201.02941, 2022 [กระดาษ]
• Wayformer: การพยากรณ์การเคลื่อนไหวผ่านเครือข่ายความสนใจที่เรียบง่ายและมีประสิทธิภาพ, arXiv พิมพ์ล่วงหน้า arXiv:2207.05844, 2022 [กระดาษ]
• PreTR: Spatio-Temporal Non-Autoregressive Trajectory Prediction Transformer, arXiv preprint arXiv:2203.09293, 2022. [กระดาษ]
• LatentFormer: การสร้างแบบจำลองปฏิสัมพันธ์ที่ใช้หม้อแปลงหลายตัวแทนและการทำนายวิถี, arXiv พิมพ์ล่วงหน้า arXiv:2203.01880, 2022 [กระดาษ]
• การทำนายวิถีหลายวิถีที่หลากหลายโดยใช้เครือข่ายการทำนายแบบสองขั้นตอนที่ได้รับการฝึกฝนพร้อมการสูญเสียเลน arXiv พิมพ์ล่วงหน้า arXiv:2206.08641, 2022 [กระดาษ]
• การฝึกอบรมฝ่ายตรงข้ามแบบ Semantics-guided แบบกึ่งกำกับดูแลเพื่อการทำนายวิถี, arXiv พิมพ์ล่วงหน้า arXiv:2205.14230, 2022 [กระดาษ]
• การพยากรณ์วิถีที่แตกต่างกันผ่านการเรียนรู้กราฟความเสี่ยงและฉาก, arXiv พิมพ์ล่วงหน้า arXiv:2211.00848, 2022 [กระดาษ]
• GATraj: โมเดลการทำนายวิถีโคจรหลายตัวแทนตามกราฟและความสนใจ, พิมพ์ล่วงหน้า arXiv arXiv:2209.07857, 2022 [กระดาษ] [รหัส]
• เครือข่าย Dynamic-Group-Aware สำหรับการทำนายวิถีหลายตัวแทนพร้อมการใช้เหตุผลเชิงสัมพันธ์, arXiv พิมพ์ล่วงหน้า arXiv:2206.13114, 2022 [กระดาษ]
• ประโยชน์ของความไม่แน่นอนในการทำงานร่วมกัน Multi-Agent Multi-Modal Trajectory Forecasting, arXiv พิมพ์ล่วงหน้า arXiv:2207.05195, 2022 [กระดาษ] [รหัส]
• Guided Conditional Diffusion สำหรับการจำลองการจราจรที่ควบคุมได้, arXiv พิมพ์ล่วงหน้า arXiv:2210.17366, 2022. [กระดาษ] [เว็บไซต์]
• PhysDiff: โมเดลการแพร่กระจายการเคลื่อนที่ของมนุษย์โดยใช้หลักฟิสิกส์, arXiv พิมพ์ล่วงหน้า arXiv:2212.02500, 2022 [กระดาษ]
• MPA: สถาปัตยกรรมที่ใช้ MultiPath++ สำหรับการทำนายการเคลื่อนไหว, เวิร์กช็อป CVPR เกี่ยวกับการขับขี่อัตโนมัติปี 2022 [กระดาษ] [รหัส]
• ความไม่แน่นอนในการทำงานร่วมกันในการพยากรณ์วิถีหลายตัวแทน NeurIPS 2021 [กระดาษ]
• GRIN: เครือข่ายความสัมพันธ์เชิงกำเนิดและความตั้งใจสำหรับการทำนายวิถีหลายตัวแทน, NeurIPS 2021 [กระดาษ] [รหัส]
• LibCity: ห้องสมุดแบบเปิดสำหรับการทำนายการจราจร SIGSPATIAL 2021 [กระดาษ] [รหัส]
• การทำนายวิถียานพาหนะในสถานการณ์เมืองด้วยเครือข่ายหม้อแปลงไฟฟ้าและข้อมูลเสริม, IEEE Intelligent Vehicles Symposium (IV 2021) [กระดาษ]
• Social-STAGE: Spatio-Temporal Multi-Modal Future Trajectory Forecast, ICRA 2021. [กระดาษ]
• AVGCN: การทำนายวิถีโดยใช้เครือข่ายกราฟ Convolutional ชี้นำโดยความสนใจของมนุษย์ ICRA 2021 [กระดาษ]
• การสำรวจบริบทแบบไดนามิกสำหรับการทำนายวิถีหลายเส้นทาง ICRA 2021 [กระดาษ] [รหัส]
• การทำนายวิถีคนเดินเท้าโดยใช้เครือข่ายหม้อแปลงเสริมตามบริบท, ICRA 2021. [กระดาษ] [รหัส]
• โครงข่ายประสาทเทียมกราฟสเปกตรัมชั่วคราวสำหรับการทำนายวิถี ICRA 2021 [กระดาษ]
• การทำนายวิถีโคจรหลายตัวแทนที่คำนึงถึงความแออัดเพื่อการหลีกเลี่ยงการชน ICRA 2021 [กระดาษ] [รหัส]
• การเดินเรือที่คาดหวังในฝูงชนโดยการทำนายความน่าจะเป็นของการเคลื่อนไหวในอนาคตของคนเดินเท้า, ICRA 2021. [กระดาษ]
• AgentFormer: Agent-Aware Transformers สำหรับ Socio-Temporal Multi-Agent Forecasting, ICCV 2021. [กระดาษ] [รหัส] [เว็บไซต์]
• การสุ่มตัวอย่างที่หลากหลายตามความน่าจะเป็นสำหรับการพยากรณ์วิถี, ICCV 2021. [กระดาษ] [รหัส]
• MG-GAN: โมเดลเครื่องกำเนิดไฟฟ้าหลายเครื่องป้องกันไม่ให้ตัวอย่างไม่กระจายในการทำนายวิถีคนเดินเท้า, ICCV 2021 [กระดาษ] [รหัส]
• เครือข่ายความสอดคล้องเชิงพื้นที่-ชั่วขณะสำหรับการพยากรณ์วิถีวิถีแฝงต่ำ, ICCV 2021. [กระดาษ]
• สามขั้นตอนสู่การทำนายวิถีหลายรูปแบบ: การจัดกลุ่มแบบโมดาลิตี้ การจำแนกประเภทและการสังเคราะห์ ICCV 2021 [บทความ]
• จากเป้าหมาย จุดอ้างอิง และเส้นทาง สู่การพยากรณ์วิถีมนุษย์ในระยะยาว ICCV 2021 [กระดาษ] [รหัส]
• คุณกำลังมุ่งหน้าไปไหน? การทำนายวิถีแบบไดนามิกพร้อมตัวอย่างเป้าหมายของผู้เชี่ยวชาญ ICCV 2021 [กระดาษ] [รหัส]
• DenseTNT: การทำนายวิถีจากต้นทางถึงปลายทางจากชุดเป้าหมายหนาแน่น, ICCV 2021. [กระดาษ]
• การทำนายการเคลื่อนไหวที่คำนึงถึงความปลอดภัยด้วยยานพาหนะที่มองไม่เห็นสำหรับการขับขี่อัตโนมัติ ICCV 2021 [กระดาษ] [รหัส]
• LOKI: ความตั้งใจระยะยาวและกุญแจสำคัญสำหรับการทำนายวิถี, ICCV 2021 [กระดาษ] [ชุดข้อมูล]
• การทำนายวิถีมนุษย์ผ่านการวิเคราะห์เชิงโต้แย้ง, ICCV 2021. [กระดาษ] [รหัส]
• การทำนายวิถีส่วนบุคคลผ่านการเลือกปฏิบัติในการกระจาย, ICCV 2021. [กระดาษ] [รหัส]
• ปฏิสัมพันธ์ของพื้นที่ใกล้เคียงไม่จำกัดสำหรับการทำนายวิถีแบบต่างกัน ICCV 2021 [กระดาษ] [รหัส]
• Social NCE: Contrastive Learning of Socially-aware Motion Representations, ICCV 2021. [กระดาษ] [รหัส]
• RAIN: Reinforced Hybrid Attention Inference Network for Motion Forecasting, ICCV 2021. [กระดาษ]
• เครือข่ายพีระมิดชั่วคราวสำหรับการทำนายวิถีคนเดินเท้าด้วยการควบคุมแบบหลายกลุ่ม, AAAI 2021. [กระดาษ]
• SCAN: เครือข่ายความสนใจบริบทเชิงพื้นที่สำหรับการทำนายเจตนาหลายตัวแทนร่วม, AAAI 2021 [กระดาษ]
• เครือข่าย Convolutional Graph แบบพหุสัมพันธ์ที่แยกส่วนสำหรับการทำนายวิถีคนเดินเท้า, AAAI 2021 [กระดาษ] [รหัส]
• MotionRNN: โมเดลที่ยืดหยุ่นสำหรับการทำนายวิดีโอพร้อมการเคลื่อนไหวที่แปรผันตามเวลาอวกาศ CVPR 2021 [กระดาษ]
• การทำนายการเคลื่อนที่หลายรูปแบบด้วย Stacked Transformers, CVPR 2021. [กระดาษ] [รหัส] [เว็บไซต์]
• SGCN: Sparse Graph Convolution Network สำหรับการทำนายวิถีคนเดินเท้า, CVPR 2021 [กระดาษ] [รหัส]
• LaPred: การทำนายช่องทางการรับรู้ของวิถีอนาคตหลายรูปแบบของตัวแทนแบบไดนามิก CVPR 2021 [กระดาษ]
• การแบ่งแยกและพิชิตสำหรับการทำนายวิถีวิถีที่หลากหลายแบบ Lane-Aware, CVPR 2021 [กระดาษ]
• Euro-PVI: การโต้ตอบกับยานพาหนะคนเดินเท้าในใจกลางเมืองหนาแน่น, CVPR 2021. [กระดาษ] [ชุดข้อมูล]
• การทำนายวิถีด้วยโมเดลที่ใช้พลังงานตามความเชื่อแฝง, CVPR 2021. [กระดาษ] [รหัส]
• การทำนายวิถีการเคลื่อนที่แบบข้ามรูปแบบที่ใช้ร่วมกันสำหรับการขับขี่แบบอิสระ, CVPR 2021. [กระดาษ]
• การทำนายวิถีทางเดินเท้าและยานพาหนะทางเดินเท้าจากกล้องข้างเดียว, CVPR 2021. [กระดาษ] [รหัส]
• จุดยึดทางสังคมที่ตีความได้สำหรับการพยากรณ์วิถีมนุษย์ในฝูงชน, CVPR 2021. [กระดาษ]
• Introvert: การทำนายวิถีมนุษย์ผ่านความสนใจ 3 มิติแบบมีเงื่อนไข, CVPR 2021. [กระดาษ]
• MP3: โมเดลแบบครบวงจรในการทำแผนที่รับรู้ทำนายและวางแผน, CVPR 2021. [กระดาษ]
• Trafficsim: เรียนรู้ที่จะจำลองพฤติกรรมหลายตัวแทนที่เป็นจริง, CVPR 2021. [กระดาษ]
• เครือข่ายหม้อแปลงหลายรูปแบบสำหรับการทำนายวิถีทางเดินเท้า, ijcai 2021. [กระดาษ] [รหัส]
• ตัวถอดรหัสฟิวชั่น RNN: บริบทและการโต้ตอบที่รับรู้ตัวถอดรหัสสำหรับการทำนายวิถี, Iros 2021. [กระดาษ]
• ความตั้งใจร่วมและการทำนายวิถีขึ้นอยู่กับหม้อแปลง IROS 2021 [กระดาษ]
• การทำนายวิถีการเคลื่อนที่แบบซ้อมรบสำหรับรถยนต์ที่ขับเคลื่อนด้วยตนเองโดยใช้เครือข่าย spatio-temporal convolutional, IROS 2021. [กระดาษ]
• ตัวชี้นำเชิงบริบทที่หลากหลายการทำนายวิถีการเคลื่อนที่แบบบูรณาการสำหรับการขับขี่แบบอิสระ IROS 2021 [กระดาษ]
• MultixNet: การทำนายการเคลื่อนไหวแบบหลายรูปแบบหลายระดับ, การประชุมวิชาการอัจฉริยะ IEEE (IV 2021) [กระดาษ]
• การทำนายวิถีสำหรับการขับขี่แบบอิสระตามความสนใจหลายหัวด้วยการเป็นตัวแทนของ Agent Agent-Map, IEEE Intellig Vehicles Symposium (IV 2021) [กระดาษ]
• Social-iwstcnn: เครือข่ายประสาทสัมผัสทางสังคมที่มีน้ำหนักต่อการปฏิสัมพันธ์สำหรับการทำนายวิถีทางเดินเท้าในสถานการณ์การจราจรในเมือง, IV 2021 [กระดาษ]
• การสร้างสถานการณ์ที่มีพฤติกรรมการเดินเท้าที่หลากหลายสำหรับการทดสอบยานพาหนะอัตโนมัติการประชุมการเรียนรู้หุ่นยนต์ (CORL 2021) [กระดาษ] [รหัส]
• การทำนายวิถีการเคลื่อนที่แบบหลายรูป
• การเรียนรู้ที่จะทำนายวิถียานพาหนะด้วยการวางแผนแบบจำลอง CORL 2021 [กระดาษ]
• การคาดการณ์วิถีการเคลื่อนที่ของผู้ใช้ถนนที่มีช่องโหว่โดยใช้เครือข่ายประสาทกำเริบการประชุมนานาชาติเกี่ยวกับการจดจำรูปแบบ (ICPR 2021) [กระดาษ]
• graphtcn: การสร้างแบบจำลองปฏิสัมพันธ์แบบ spatio-temporal สำหรับการทำนายวิถีมนุษย์, WACV 2021. [กระดาษ]
• การทำนายวิถีการเคลื่อนที่ระยะยาวที่ขับเคลื่อนด้วยเป้าหมาย WACV 2021 [กระดาษ]
• การทำนายวิถีการเคลื่อนที่แบบหลายรูปแบบสำหรับการขับขี่แบบอิสระโดยไม่มีแผนที่ก่อนหน้านี้ WACV 2021
• เครือข่ายกราฟเชิงพื้นที่ที่เติบโตด้วยตนเองสำหรับการทำนายวิถีการเดินเท้าที่รับรู้บริบทการประชุมนานาชาติ IEEE เกี่ยวกับการประมวลผลภาพ (ICIP 2021) [กระดาษ] [รหัส]
• S2TNET: เครือข่ายหม้อแปลง Spatio-Temporal สำหรับการทำนายวิถีในการขับขี่แบบอิสระการประชุมเอเชียเกี่ยวกับการเรียนรู้ของเครื่องจักร 2021 [กระดาษ] [รหัส]
• การเรียนรู้โครงสร้างการเป็นตัวแทนของการเปลี่ยนแปลงเชิงพื้นที่และเชิงโต้ตอบสำหรับการทำนายวิถีในฉากที่แออัดหุ่นยนต์ IEEE และตัวอักษรอัตโนมัติ 2021 [กระดาษ], [รหัส]
• การทำนายวิถีโดยใช้ convolution ต่อเนื่องที่เท่าเทียมกัน, ICLR 2021. [กระดาษ] [รหัส]
• TridentNet: แบบจำลองการกำเนิดแบบมีเงื่อนไขสำหรับการสร้างวิถีการประชุมแบบไดนามิกการประชุมนานาชาติเกี่ยวกับระบบอิสระอัจฉริยะ 2021 [กระดาษ]
• หน้าแรก: เอาท์พุท HeatMap สำหรับการประมาณค่าการเคลื่อนไหวในอนาคต ITSC 2021 [กระดาษ]
• กราฟและการทำนายวิถีการเคลื่อนที่ของยานพาหนะที่ใช้ระบบประสาทที่เกิดขึ้นอีกสำหรับการขับขี่บนทางหลวง ITSC 2021 [กระดาษ]
• ความสนใจของ SCSG: กราฟดาวที่เน้นตัวเองเป็นศูนย์กลางพร้อมความสนใจในการทำนายวิถีการเดินเท้าการประชุมนานาชาติเกี่ยวกับระบบฐานข้อมูลสำหรับแอปพลิเคชันขั้นสูง (DASFAA 2021) [กระดาษ]
• การใช้ประโยชน์จากการทำนายวิถีสำหรับการตรวจจับความผิดปกติของวิดีโอคนเดินเท้า, ซีรีส์การประชุมวิชาการ IEEE เกี่ยวกับข่าวกรองการคำนวณ (SSCI 2021) [กระดาษ] [รหัส]
• แบบจำลองการทำนายวิถีทางสังคมที่รับรู้เป็นจริงหรือไม่?
• การฉีดความรู้ในตัวทำนายวิถียานพาหนะที่ขับเคลื่อนด้วยข้อมูลการวิจัยการขนส่ง: ส่วน C. [กระดาษ] [รหัส]
• การถอดรหัสการโต้ตอบของยานพาหนะและยานพาหนะอัตโนมัติโดยใช้ความเป็นจริงเสมือนจริงและการเรียนรู้เชิงลึกที่ตีความได้การวิจัยการขนส่ง: ส่วน C [กระดาษ]
• การพยากรณ์วิถีของมนุษย์ในฝูงชน: มุมมองการเรียนรู้อย่างลึกซึ้งการทำธุรกรรม IEEE ในระบบการขนส่งอัจฉริยะ [กระดาษ] [รหัส]
• Nettraj: แบบจำลองการทำนายวิถีการเคลื่อนที่ของยานพาหนะที่ใช้เครือข่ายพร้อมการแสดงทิศทางและกลไกความสนใจ spatiotemporal, หัวนม [กระดาษ]
• เครือข่ายกราฟแบบคู่-อุณหภูมิแบบ spatio-temporal สำหรับการทำนายและการติดตามหลายตัวแทน, หัวนม [กระดาษ]
• กรอบลำดับชั้นสำหรับการทำนายพฤติกรรมเชิงโต้ตอบของผู้เข้าร่วมการจราจรที่แตกต่างกันตามเครือข่ายประสาทของกราฟหัวนม [กระดาษ]
• Trajgail: การสร้างวิถียานพาหนะในเมืองโดยใช้การเรียนรู้การเลียนแบบการเลียนแบบฝ่ายตรงข้าม, ส่วนการวิจัยการขนส่ง C. [กระดาษ] [รหัส]
• การทำนายวิถีการเคลื่อนที่ของยานพาหนะโดยใช้เครือข่ายที่เป็นปฏิปักษ์ต่อการเกิดขึ้นพร้อมกับคุณสมบัติของทรีไวยากรณ์ตรรกะชั่วคราวหุ่นยนต์ IEEE และตัวอักษรอัตโนมัติ [กระดาษ]
• การทำนายวิถีการเคลื่อนที่ของยานพาหนะโดยใช้ LSTMS ที่มีกลไกความสนใจเชิงพื้นที่-ชั่วคราว, นิตยสารระบบการขนส่งอัจฉริยะ IEEE [กระดาษ] [รหัส]
• การทำนายวิถีการเคลื่อนที่ตามยาวของยานพาหนะระยะยาวระยะยาวในสภาพแวดล้อมยานพาหนะที่เชื่อมต่อและเป็นอิสระบันทึกการวิจัยการขนส่ง [กระดาษ]
• เครือข่ายปิรามิดชั่วคราวที่มีความสนใจเชิงพื้นที่-ชั่วคราวสำหรับการทำนายวิถีการเดินเท้าการทำธุรกรรม IEEE เกี่ยวกับวิทยาศาสตร์เครือข่ายและวิศวกรรม [กระดาษ]
• แบบจำลองเชิงพื้นที่และอุณหภูมิที่มีประสิทธิภาพขึ้นอยู่กับหน่วยเชิงเส้นที่มีรั้วรอบขอบชิดสำหรับการทำนายวิถีการคำนวณ neurocomputing [กระดาษ]
• SRAI-LSTM: LSTM ที่รับความสนใจจากความสัมพันธ์ทางสังคมสำหรับการทำนายวิถีการเคลื่อนที่ของมนุษย์, neurocomputing [กระดาษ]
• AST-GNN: เครือข่ายระบบประสาทกราฟ spatio-temporal ที่ใช้ความสนใจสำหรับการทำนายวิถีการเคลื่อนที่ของคนเดินเท้าที่ตระหนักถึงการโต้ตอบ [กระดาษ]
• Multi-PPTP: การทำนายวิถีทางเดินเท้าที่น่าจะเป็นหลายครั้งในฉากทางแยกที่ซับซ้อนธุรกรรม IEEE ในระบบการขนส่งอัจฉริยะ [กระดาษ]
• ตัวทำนายวิถีการเคลื่อนที่บนกราฟแบบใหม่ด้วย Pseudo-Oracle, TNNLS [กระดาษ]
• การสร้างวิถีการเคลื่อนที่ของ GPS ขนาดใหญ่โดยใช้ MAP ตามสองขั้นตอน GAN วารสารวิทยาศาสตร์ข้อมูล [กระดาษ] [รหัส]
• การคาดการณ์ความน่าจะเป็นตามความน่าจะเป็นของแผนที่และความหมายของเส้นทางการเคลื่อนที่ของผู้ใช้ถนนที่มีช่องโหว่การทำธุรกรรม IEEE บนยานพาหนะอัจฉริยะ [กระดาษ]
• STI-GAN: การทำนายวิถีทางเดินเท้าหลายรูปแบบโดยใช้ปฏิสัมพันธ์ spatiotemporal และเครือข่ายศัตรูที่เกิดจากการเข้าถึง IEEE [กระดาษ]
• LSTM แบบองค์รวมสำหรับการทำนายวิถีทางเดินเท้า, เคล็ดลับ [กระดาษ]
• การทำนายวิถีทางเดินเท้าด้วยเครือข่ายประสาทแบบ Convolutional, PR [กระดาษ]
• แบบจำลองการทำนายวิถีวิถี LSTM สำหรับนักปั่นจักรยานโดยใช้การโต้ตอบหลายครั้งกับสภาพแวดล้อม, PR [กระดาษ]
• การทำนายวิถีของมนุษย์และการสร้างโดยใช้แบบจำลอง LSTM และ GANS, PR [กระดาษ]
• การทำนายวิถีการเคลื่อนที่ของยานพาหนะและการสร้างโดยใช้แบบจำลอง LSTM และ GANS, PLOS ONE [กระดาษ]
• Bitrap: การทำนายวิถีทางเดินเท้าแบบสองทิศทางด้วยการประมาณเป้าหมายหลายโหมด, Ral [กระดาษ] [รหัส]
• แบบจำลองจลนศาสตร์สำหรับการทำนายวิถีในสถานการณ์ทางหลวงทั่วไป Ral [กระดาษ] [รหัส]
• การทำนายวิถีในการขับขี่แบบอิสระด้วยเลนมุ่งหน้าไปยังการสูญเสียเสริม Ral [กระดาษ]
• การทำนายวิถีการเคลื่อนที่ของยานพาหนะโดยใช้เครือข่ายศัตรูที่เกิดขึ้นพร้อมกับคุณสมบัติของทรีไวยากรณ์ตรรกะชั่วคราว RAL [กระดาษ]
• TRA2TRA: การทำนายวิถีการเคลื่อนที่ถึงวิถีด้วยเครือข่ายประสาทที่เอาใจใส่ทางสังคมเชิงพื้นที่ระดับโลก RAL [กระดาษ]
• Social กราฟ Social Convolutional LSTM สำหรับการทำนายเส้นทางเดินเท้าระบบการขนส่งอัจฉริยะ IET [กระดาษ]
• HSTA: แบบจำลองความสนใจเชิงพื้นที่ตามลำดับชั้นสำหรับการทำนายวิถีการทำธุรกรรม IEEE บนเทคโนโลยียานพาหนะ (TVT) [กระดาษ]
• เครือข่ายความสนใจด้านสิ่งแวดล้อมสำหรับการทำนายวิถียานพาหนะ TVT [กระดาษ]
• พวกเขาจะไปไหน? การทำนายพฤติกรรมของมนุษย์ในฉากที่แออัดธุรกรรม ACM ในการคำนวณมัลติมีเดียการสื่อสารและแอปพลิเคชัน (TOMM) [กระดาษ]
• การทำนายวิถีการเคลื่อนที่แบบหลายตัวแทนด้วยฟิวชั่นตามลำดับ spatio-temporal, ธุรกรรม IEEE บนมัลติมีเดีย (TMM) [กระดาษ]
• Evolvegraph: การทำนายวิถีการเคลื่อนที่แบบหลายตัวแทนด้วยการใช้เหตุผลเชิงสัมพันธ์แบบไดนามิก, Neurips 2020. [กระดาษ]
• V2VNET- การสื่อสารกับยานพาหนะกับยานพาหนะสำหรับการรับรู้ร่วมกันและการทำนาย, ECCV 2020. [กระดาษ]
• การทำนายวิถีการทำนายการเกิดขึ้นของสมาร์ท- พร้อมกัน, ECCV 2020. [กระดาษ]
• Simaug- การเรียนรู้การเป็นตัวแทนที่แข็งแกร่งจากการจำลองสำหรับการทำนายวิถี, ECCV 2020. [กระดาษ]
• การเรียนรู้กราฟเลนการเรียนรู้สำหรับการพยากรณ์การเคลื่อนไหว ECCV 2020 [กระดาษ]
• แบบจำลองตัวแปรแฝงโดยนัยสำหรับการพยากรณ์การเคลื่อนไหวที่สอดคล้องกับฉาก ECCV 2020. [กระดาษ]
• การพยากรณ์วิถีที่หลากหลายและยอมรับได้ผ่านการทำความเข้าใจบริบทหลายรูปแบบ ECCV 2020 [กระดาษ]
• การสังเคราะห์ความหมายของการเคลื่อนไหวของคนเดินเท้า, ACCV 2020. [กระดาษ]
• แผนที่เคอร์เนลวิถีสำหรับการทำนายการเคลื่อนไหวที่น่าจะเป็นแบบหลายรูปแบบ, CORL 2019. [กระดาษ] [รหัส]
• Social-Wagdat: การทำนายวิถีการปฏิสัมพันธ์ที่รับรู้ผ่านเครือข่าย Wasserstein Double-Attention Network, 2020. [กระดาษ]
• Social NCE: การเรียนรู้ที่แตกต่างของการเป็นตัวแทนการเคลื่อนไหวที่รับรู้ทางสังคม [กระดาษ], [รหัส]
• การคาดการณ์วิถีการเคลื่อนที่ตามท่าทางของผู้ใช้ถนนที่มีช่องโหว่โดยใช้เครือข่ายประสาทกำเริบการประชุมเชิงปฏิบัติการระหว่างประเทศ ICPR และความท้าทาย 2020 [กระดาษ]
• Evolvegraph: การทำนายวิถีการเคลื่อนที่แบบหลายตัวแทนด้วยการใช้เหตุผลเชิงสัมพันธ์แบบไดนามิก, Neurips 2020. [กระดาษ]
• เครือข่ายหม้อแปลงกราฟอุณหภูมิ Spatio-temporal สำหรับการทำนายเส้นทางเดินเท้า, ECCV 2020. [กระดาษ]
• มันไม่ใช่การเดินทาง แต่การทำนายวิถีทางปลายทาง- ปลายทาง, ECCV 2020. [กระดาษ]
• ฉันจะเห็นอนาคตของฉันได้อย่างไร? FVTRAJ: การใช้มุมมองบุคคลที่หนึ่งสำหรับการทำนายวิถีการเดินเท้า, ECCV 2020. [กระดาษ]
• LSTM ที่รับรู้บริบทแบบไดนามิกและแบบคงที่สำหรับการทำนายการเคลื่อนไหวแบบหลายตัวแทน, ECCV 2020. [กระดาษ]
• การพยากรณ์วิถีมนุษย์ในฝูงชน: มุมมองการเรียนรู้ลึก, 2020. [กระดาษ], [รหัส]
• Simaug: การเรียนรู้การเป็นตัวแทนที่แข็งแกร่งจากการจำลอง 3D สำหรับการทำนายวิถีการเดินเท้าในกล้องที่มองไม่เห็น, ECCV 2020. [กระดาษ], [รหัส]
• DAG-NET: เครือข่ายประสาทกราฟที่ใส่ใจสองเท่าสำหรับการพยากรณ์วิถี, ICPR 2020. [กระดาษ] [รหัส]
• การลดการเปลี่ยนแปลงของมนุษย์สำหรับการคาดการณ์การเคลื่อนไหวของคนเดินเท้าด้วยการกำกับดูแลที่มีเสียงดัง WACV 2020. [กระดาษ]
• Social-Wagdat: การทำนายวิถีการปฏิสัมพันธ์ที่รับรู้ผ่านเครือข่าย Wasserstein Double-Attention Network, 2020. [กระดาษ]
• Social-stgcnn: เครือข่ายนิวรัล spatio-temporal social-temporal สำหรับการทำนายวิถีมนุษย์, CVPR 2020. [กระดาษ], [รหัส]
• The Garden of Forking Paths: ไปสู่การทำนายวิถีการเคลื่อนที่แบบหลายอนาคต, CVPR 2020. [กระดาษ], [รหัส/ชุดข้อมูล]
• การลดการเปลี่ยนแปลงของมนุษย์สำหรับการคาดการณ์การเคลื่อนไหวของคนเดินเท้าด้วยการกำกับดูแลที่มีเสียงดัง WACV 2020. [กระดาษ]
• การคาดการณ์วิถีการเคลื่อนที่ของผู้ใช้ถนนที่มีช่องโหว่ SSCI 2019 [กระดาษ]
• Trajectron: การสร้างแบบจำลองวิถีการเคลื่อนที่หลายเส้นที่น่าจะเป็นด้วยกราฟ spatiotemporal แบบไดนามิก, ICCV 2019. [กระดาษ] [รหัส]
• STGAT: การสร้างแบบจำลองการปฏิสัมพันธ์เชิงพื้นที่-ชั่วคราวสำหรับการทำนายวิถีมนุษย์, ICCV 2019. [กระดาษ] [รหัส]
• การประมาณค่าการเคลื่อนไหวในอนาคตระดับอินสแตนซ์ในภาพเดียวตามการถดถอยตามลำดับ ICCV 2019 [กระดาษ]
• การทำนายวิถีทางสังคมและฉากในพื้นที่แออัด, ICCV Workshop 2019. [กระดาษ] [รหัส]
• การสุ่มตัวอย่างแบบสุ่มสำหรับการทำนายวิถีทางเดินเท้า, Iros 2019. [กระดาษ]
• การคาดการณ์ระยะยาวของวิถีการเคลื่อนที่โดยใช้กลุ่ม homology เส้นทาง, Iros 2019. [กระดาษ]
• Starnet: การทำนายวิถีทางเดินเท้าโดยใช้เครือข่ายประสาทลึกในโทโพโลยีดาว, Iros 2019. [กระดาษ]
• การเรียนรู้แบบจำลองการเคลื่อนไหวทางสังคมที่รับรู้ของคนเดินเท้า, Iros 2019. [กระดาษ]
• การทำนายวิถีทางเดินเท้าที่รับรู้ด้วยสถานการณ์ด้วยแบบจำลองความสนใจแบบ spatio-temporal, CVWW 2019. [กระดาษ]
• การทำนายเส้นทางโดยใช้แอตทริบิวต์วัตถุและสภาพแวดล้อมทางความหมาย Visigrapp 2019 [กระดาษ]
• การวางแผนเส้นทางที่น่าจะเป็นโดยใช้การทำนายวิถีการเคลื่อนที่ของสิ่งกีดขวาง, Cods-Comad 2019. [กระดาษ]
• การทำนายวิถีของมนุษย์โดยใช้การสูญเสียของฝ่ายตรงข้าม, หัวใจ 2019. [กระดาษ], [รหัส]
• วิธีการทางสังคม: การเรียนรู้การแจกแจงแบบหลายรูปแบบของเส้นทางเดินเท้ากับ GANS, CVPR 2019. [ การประชุมเชิงปฏิบัติการ precognition ], [กระดาษ], [รหัส]
• มองไปในอนาคต: การทำนายกิจกรรมของบุคคลในอนาคตและสถานที่ในวิดีโอ, CVPR 2019. [กระดาษ], [รหัส]
• เรียนรู้ที่จะอนุมานความสัมพันธ์สำหรับการคาดการณ์วิถีในอนาคต CVPR 2019 [กระดาษ]
• Traphic: การทำนายวิถีในการจราจรหนาแน่นและต่างกันโดยใช้ปฏิสัมพันธ์ถ่วงน้ำหนัก, CVPR 2019. [กระดาษ]
• คุณจะไปทางไหน? การเรียนรู้การตัดสินใจเลียนแบบสำหรับการพยากรณ์เส้นทางในฉากไดนามิก, CVPR 2019. [กระดาษ]
• การเอาชนะข้อ จำกัด ของเครือข่ายความหนาแน่นผสม: กรอบการสุ่มตัวอย่างและการปรับแต่งสำหรับการทำนายในอนาคตหลายรูปแบบ, CVPR 2019. [กระดาษ] [รหัส]
• Sophie: GAN ที่เอาใจใส่สำหรับการทำนายเส้นทางที่สอดคล้องกับข้อ จำกัด ทางสังคมและทางกายภาพ, CVPR 2019. [กระดาษ] [รหัส]
• เส้นทางเดินเท้าท่าทางและการทำนายความตั้งใจผ่านแบบจำลองพลวัตของกระบวนการเกาส์และการรับรู้กิจกรรมคนเดินเท้า, 2019. [กระดาษ]
• การทำนายการเคลื่อนไหวที่รับรู้ปฏิสัมพันธ์หลายรูปแบบสำหรับการข้ามถนนแบบอิสระ, 2019. [กระดาษ]
• ง่ายกว่า: ความเร็วคงที่สำหรับการทำนายการเคลื่อนไหวของคนเดินเท้า, 2019. [กระดาษ]
• การทำนายวิถีทางเดินเท้าในสถานการณ์ที่แออัดอย่างมาก 2019 [กระดาษ]
• SRLSTM: การปรับแต่งของรัฐสำหรับ LSTM ต่อการทำนายวิถีการเดินเท้า, 2019. [กระดาษ]
• สถานที่ตั้งความเร็วความสนใจสำหรับการทำนายวิถีทางเดินเท้า, WACV 2019. [กระดาษ]
• การทำนายวิถีทางเดินเท้าในสถานการณ์ที่แออัดอย่างมากเซ็นเซอร์, 2019. [กระดาษ]
• การพยากรณ์วิถีและพฤติกรรมของตัวแทนถนนโดยใช้การจัดกลุ่มสเปกตรัมในกราฟ LSTMS, 2019. [กระดาษ] [รหัส]
• การทำนายร่วมกันสำหรับวิถีการเคลื่อนไหวแบบจลนศาสตร์ในฉากที่มีการผสมยานพาหนะ, ICCV 2019. [กระดาษ]
• การวิเคราะห์การสูญเสียความหลากหลายในบริบทของการทำนายวิถีความน่าจะเป็น, ICCV 2019. [กระดาษ]
• กำลังมองหาความสัมพันธ์สำหรับการคาดการณ์วิถีในอนาคต ICCV 2019 [กระดาษ]
• พฤติกรรมที่เรียนรู้ร่วมกันและการวางแผนวิถีสำหรับยานพาหนะที่ขับเคลื่อนด้วยตนเอง, Iros 2019. [กระดาษ]
• การแบ่งปันคือการดูแล: การเจรจาต่อรองการแยกทางแยกที่สอดคล้องกับสังคม, IROS 2019. [กระดาษ]
• อนุมาน: การเป็นตัวแทนระดับกลางสำหรับการทำนายในอนาคต IROS 2019 [กระดาษ] [รหัส]
• การขับขี่แบบอัตโนมัติแบบคาดการณ์ได้อย่างลึกล้ำโดยใช้การทำนายวิถีการเคลื่อนที่แบบหลายตัวแทนและกฎการจราจร, IROS 2019. [กระดาษ]
• Neurotrajectory: วิธีการทางระบบประสาทในการเรียนรู้วิถีการเคลื่อนที่ของรัฐในท้องถิ่นสำหรับยานพาหนะอัตโนมัติ, Iros 2019. [กระดาษ]
• การทำนายวิถีการเคลื่อนที่ของ Urban Street ด้วยเครือข่าย LSTM หลายคลาส, Iros 2019. [N/A]
• การเรียนรู้เชิง spatiotemporal เกี่ยวกับความไม่แน่นอนของทิศทางในสภาพแวดล้อมในเมืองที่มีเครือข่ายความหนาแน่นของเคอร์เนลกำเริบ, Iros 2019. [กระดาษ]
• ระบบประสาทกำเนิดแบบมีเงื่อนไขสำหรับการทำนายวิถีความน่าจะเป็น, Iros 2019. [กระดาษ]
• การติดตามการติดตามหลายตัวแทนที่รับรู้และการทำนายพฤติกรรมที่น่าจะเป็นผ่านการเรียนรู้ที่เป็นปฏิปักษ์, ICRA 2019. [กระดาษ]
• กรอบการติดตามทั่วไปและการทำนายความน่าจะเป็นและการประยุกต์ใช้ในการขับขี่แบบอิสระ IEEE Trans Intell ขนส่ง. ระบบ, 2019. [กระดาษ]
• การประสานงานและการทำนายวิถีสำหรับการโต้ตอบของยานพาหนะผ่านการสร้างแบบจำลองการกำเนิดแบบเบย์, IV 2019. [กระดาษ]
• Wasserstein Generative Learning พร้อมข้อ จำกัด จลนศาสตร์สำหรับการทำนายพฤติกรรมการขับขี่แบบโต้ตอบที่น่าจะเป็น IV 2019 [กระดาษ]
• Grip: การทำนายวิถีการปฏิสัมพันธ์ที่ใช้กราฟโดยใช้กราฟ, ITSC 2019. [กระดาษ]
• AGEN: เครือข่ายการทำนายการกำเนิดแบบปรับตัวได้สำหรับการขับขี่แบบอิสระ, IV 2019. [กระดาษ]
• Traphic: การทำนายวิถีในการจราจรหนาแน่นและต่างกันโดยใช้ปฏิสัมพันธ์ถ่วงน้ำหนัก, CVPR 2019. [กระดาษ], [รหัส]
• การทำนายหลายขั้นตอนของแผนที่กริดการเข้าพักด้วยเครือข่ายประสาทกำเริบ CVPR 2019 [กระดาษ]
• Argoverse: การติดตามและการพยากรณ์ 3 มิติด้วยแผนที่ Rich, CVPR 2019 [กระดาษ]
• การสร้างแบบจำลอง aleatoric ที่แข็งแกร่งสำหรับการแปลยานพาหนะในอนาคต, CVPR 2019. [กระดาษ]
• การทำนายการเข้าพักของคนเดินเท้าสำหรับยานพาหนะอิสระ, IRC 2019. [กระดาษ]
• การทำนายเส้นทางตามบริบทสำหรับเป้าหมายที่มีการสลับการเปลี่ยนแปลงปี 2019 [กระดาษ]
• แบบจำลองเลียนแบบลึกสำหรับการอนุมานการวางแผนและการควบคุมที่ยืดหยุ่นในปี 2019 [กระดาษ]
• อนุมาน: การเป็นตัวแทนระดับกลางสำหรับการทำนายในอนาคต, 2019. [กระดาษ] [รหัส]
• Multi-agent Tensor Fusion สำหรับการทำนายวิถีบริบท, 2019. [กระดาษ]
• การทำนายการเคลื่อนไหวของคนเดินเท้าที่รับรู้บริบทในทางแยกในเมือง, 2018. [กระดาษ]
• การรับรู้สถานการณ์แบบโต้ตอบและการทำนายความน่าจะเป็นทั่วไป: จากเสมือนไปจนถึงจริง, ITSC 2018. [กระดาษ]
• เฟรมเวิร์กการติดตามยานพาหนะทั่วไปที่สามารถจัดการกับการบดเคี้ยวได้ตามตัวกรองอนุภาคผสมที่ดัดแปลง, IV 2018 [กระดาษ]
• การทำนายวิถีการเคลื่อนที่แบบหลายรูปแบบของยานพาหนะโดยรอบด้วย LSTMS ที่ใช้การซ้อมรบ, 2018 [กระดาษ]
• การทำนายลำดับต่อลำดับของวิถีการเคลื่อนที่ของยานพาหนะผ่านสถาปัตยกรรม Decoder Decoder LSTM, 2018 [กระดาษ]
• R2P2: นโยบายผลักดันไปยังการพยากรณ์ที่หลากหลายสำหรับการพยากรณ์เส้นทางการกำเนิดที่หลากหลายและแม่นยำ ECCV 2018 [กระดาษ]
• การทำนายวิถีของยานพาหนะโดยใช้นักบวชขนาดใหญ่ Motion, IV 2018 [กระดาษ]
• การทำนายวิถีการเคลื่อนที่ของยานพาหนะโดยการบูรณาการวิธีการทางฟิสิกส์และการซ้อมรบโดยใช้แบบโต้ตอบหลายรุ่น 2018 [กระดาษ]
• การทำนายการเคลื่อนไหวของนักแสดงการจราจรสำหรับการขับขี่แบบอิสระโดยใช้เครือข่าย Deep Convolutional, 2018 [กระดาษ]
• การโคลนนิ่งพฤติกรรมหลายตัวแทนแบบกำเนิด, 2018. [กระดาษ]
• การเรียนรู้ลำดับลึกด้วยข้อมูลเสริมสำหรับการทำนายการจราจร, KDD 2018 [กระดาษ], [รหัส]
• แบบจำลองที่ขับเคลื่อนด้วยข้อมูลสำหรับการทำนายการเคลื่อนไหวของคนเดินเท้าที่รับรู้ถึงการโต้ตอบในสภาพแวดล้อมที่ยุ่งเหยิงของวัตถุ ICRA 2018 [กระดาษ]
• ย้ายเข้าร่วมและทำนาย: แบบจำลองระบบประสาทตามความสนใจสำหรับการทำนายการเคลื่อนไหวของผู้คนจดหมายจดจำรูปแบบ 2018 [กระดาษ]
• GD-GAN: เครือข่ายฝ่ายตรงข้ามกำเนิดสำหรับการทำนายวิถีและการตรวจจับกลุ่มในฝูงชน, ACCV 2018, [กระดาษ], [สาธิต]
• SS-LSTM: แบบจำลอง LSTM แบบลำดับชั้นสำหรับการทำนายวิถีการเดินเท้า, WACV 2018. [กระดาษ]
• ความสนใจทางสังคม: การสร้างแบบจำลองความสนใจในฝูงชนของมนุษย์, ICRA 2018. [กระดาษ] [รหัส]
• การทำนายคนเดินเท้าโดยการวางแผนโดยใช้เครือข่ายประสาทลึก ICRA 2018 [กระดาษ]
• การทำนายระยะยาวร่วมกันของการเคลื่อนไหวของมนุษย์โดยใช้แนวทางการวางแผนทางสังคมโดยใช้ ICRA 2018 [กระดาษ]
• การทำนายการเคลื่อนไหวของมนุษย์ภายใต้ข้อ จำกัด การจัดกลุ่มทางสังคม Iros 2018 [กระดาษ]
• การแปลบุคคลในอนาคตในวิดีโอคนแรก CVPR 2018 [กระดาษ]
• Social Gan: วิถีที่ยอมรับได้ทางสังคมพร้อมเครือข่ายฝ่ายตรงข้ามกำเนิด, CVPR 2018. [กระดาษ] [รหัส]
• กลุ่ม LSTM: การทำนายวิถีกลุ่มในสถานการณ์ที่แออัด, ECCV 2018. [กระดาษ]
• MX-LSTM: การผสมแทร็กและวิสเล็ตเพื่อคาดการณ์วิถีวิถีและโพสท่าศีรษะ CVPR 2018 [กระดาษ]
• การทำนายความตั้งใจของคนเดินเท้าผ่านวิถีการเคลื่อนที่โดยใช้เครือข่ายประสาทที่เกิดขึ้นซ้ำ ๆ , 2018 [กระดาษ]
• แบบจำลองการทำนายการเคลื่อนไหวของคนเดินเท้าที่สามารถถ่ายโอนได้ที่ทางแยก, 2018. [กระดาษ]
• การทำนายการเคลื่อนไหวของคนเดินเท้าบนแผนที่ความน่าจะเป็นโดยนำผู้เข้าร่วมการจราจรมาพิจารณาปี 2018 [กระดาษ]
• แบบจำลองที่มีประสิทธิภาพในการคำนวณสำหรับการทำนายการเคลื่อนไหวของคนเดินเท้า, ECC 2018 [กระดาษ]
• การทำนายวิถีการศึกษาบริบท, ICPR 2018. [กระดาษ]
• การคาดการณ์ตามชุดของคนเดินเท้าในสภาพแวดล้อมในเมืองโดยพิจารณาจากกฎการจราจรที่เป็นทางการ, ITSC 2018 [กระดาษ]
• การสร้างความรู้ก่อนหน้า: รูปแบบการทำนายคนเดินเท้าที่ใช้มาร์คอฟโดยใช้ข้อมูลสิ่งแวดล้อมในเมือง, ICARCV 2018. [กระดาษ]
• ข้อมูลเชิงลึกฝูงชนที่มีไกด์นับรวมสำหรับฉากฝูงชนที่ซับซ้อนปี 2018 [กระดาษ]
• การติดตามโดยการทำนาย: แบบจำลองการกำเนิดที่ลึกสำหรับการแปลและการติดตาม Mutli-Person, WACV 2018. [กระดาษ]
• “ การเห็นคือการเชื่อ”: การพยากรณ์วิถีทางเดินเท้าโดยใช้ความสนใจทางสายตา, WACV 2018. [กระดาษ]
• การทำนายผู้คนในระยะยาวของผู้คนในฉากการจราจรภายใต้ความไม่แน่นอน CVPR 2018 [กระดาษ], [รหัส+ข้อมูล]
• การเข้ารหัสการโต้ตอบกับฝูงชนกับเครือข่ายประสาทลึกสำหรับการทำนายวิถีการเดินเท้า, CVPR 2018. [กระดาษ], [รหัส]
• การตัดสินใจแบบหลายฝ่ายสำหรับการขับขี่แบบอิสระผ่านการทำนายพฤติกรรมการเปลี่ยนแปลงตามจุด 2017 [กระดาษ]
• การคาดการณ์ระยะยาวที่น่าจะเป็นสำหรับยานพาหนะอัตโนมัติ, IV 2017. [กระดาษ]
• การทำนายวิถีการเคลื่อนที่ของยานพาหนะที่น่าจะเป็นบนแผนที่กริดการเข้าพักผ่านเครือข่ายประสาทกำเริบ ITSC 2017 [กระดาษ]
• ความปรารถนา: การทำนายในอนาคตที่ห่างไกลในฉากไดนามิกกับตัวแทนโต้ตอบ, CVPR 2017. [กระดาษ] [รหัส]
• การเลียนแบบพฤติกรรมของไดรเวอร์ด้วยเครือข่ายฝ่ายตรงข้าม, 2017. [กระดาษ] [รหัส]
• Infogail: การเรียนรู้การเลียนแบบที่ตีความได้จากการสาธิตด้วยภาพ, 2017. [กระดาษ] [รหัส]
• การวางแผนระยะยาวโดยการทำนายระยะสั้นปี 2017 [กระดาษ]
• การทำนายเส้นทางระยะยาวในสถานการณ์เมืองโดยใช้การแจกแจงแบบวงกลม, 2017. [กระดาษ]
• การทำนายเส้นทางการมองเห็นด้วยการเรียนรู้อย่างลึกล้ำจากภาพเดียวปี 2559 [กระดาษ]
• เดินไปข้างหน้า: โมเดลกองกำลังสังคมมุ่งหน้าไป, 2017. [กระดาษ]
• การพยากรณ์คนเดินเท้าที่น่าจะเป็นแบบเรียลไทม์, 2017. [กระดาษ]
• แนวทางการทำนายการเคลื่อนไหวของมนุษย์หลายครั้ง ICRA 2017 [กระดาษ]
• การพยากรณ์พลวัตแบบโต้ตอบของคนเดินเท้าด้วยการเล่นสมมติการเล่น CVPR 2017 [กระดาษ]
• คาดการณ์เส้นทางที่เป็นไปได้ในฉากฝูงชน ijcai 2017 [กระดาษ]
• Bi-Prediction: การทำนายเส้นทางเดินเท้าตามการจำแนกประเภท LSTM แบบสองทิศทาง, Dicta 2017. [กระดาษ]
• ก้าวร้าวเครียดหรือขี้อาย? การระบุลักษณะบุคลิกภาพจากวิดีโอฝูงชน ijcai 2017 [กระดาษ]
• วิธีการมองเห็นตามธรรมชาติสำหรับการทำนายพฤติกรรมคนเดินเท้าในสภาพแวดล้อมในเมือง ITSC 2017 [กระดาษ]
• การทำนายวิถีของมนุษย์โดยใช้แบบจำลองความสนใจเชิงลึกที่รับรู้เชิงพื้นที่ 2017 [กระดาษ]
• Soft + Hardwired Attention: กรอบ LSTM สำหรับการทำนายวิถีมนุษย์และการตรวจจับเหตุการณ์ที่ผิดปกติ, 2017. [กระดาษ]
• การพยากรณ์พลวัตแบบโต้ตอบของคนเดินเท้าด้วยการเล่นสมมติการเล่น CVPR 2017 [กระดาษ]
• Social LSTM: การทำนายวิถีมนุษย์ในพื้นที่แออัด, CVPR 2016. [กระดาษ] [รหัส]
• การเปรียบเทียบและการประเมินผลของแบบจำลองการเคลื่อนไหวของคนเดินเท้าสำหรับระบบความปลอดภัยของยานพาหนะ, ITSC 2016. [กระดาษ]
• อายุและพฤติกรรมคนเดินเท้าที่ขับเคลื่อนด้วยกลุ่ม: จากการสังเกตไปจนถึงการจำลอง, 2016. [กระดาษ]
• structural-RNN: การเรียนรู้อย่างลึกซึ้งเกี่ยวกับกราฟ spatio-temporal, CVPR 2016. [กระดาษ] [รหัส]
• การทำนายการเคลื่อนไหวระยะยาวโดยเจตนาของการเคลื่อนไหวของคนเดินเท้า, ICRA 2016 [กระดาษ]
• การตรวจจับตามบริบทของความตั้งใจข้ามทางเดินเท้าสำหรับการขับขี่แบบอิสระในสภาพแวดล้อมในเมือง Iros 2016 [กระดาษ]
• อัลกอริทึมตามการวางแผนแบบใหม่สำหรับการทำนายการเคลื่อนไหวของมนุษย์ ICRA 2016 [กระดาษ]
• การเรียนรู้มารยาททางสังคม: ความเข้าใจวิถีมนุษย์ในฉากที่แออัด, ECCV 2016. [กระดาษ] [รหัส]
• การทำนายเส้นทางเดินเท้า GLMP-Realtime โดยใช้รูปแบบการเคลื่อนไหวทั่วโลกและท้องถิ่น ICRA 2016 [กระดาษ]
• การถ่ายโอนความรู้สำหรับการทำนายการเคลื่อนไหวเฉพาะฉาก ECCV 2016 [กระดาษ]
• STF-RNN: เครือข่ายประสาทตามเวลาอวกาศตามเวลาที่ใช้ในการทำนายผู้คนในตำแหน่งถัดไป SSCI 2016 [รหัส]
• การทำนายคนเดินเท้าที่กำกับโดยเป้าหมาย ICCV 2015 [กระดาษ]
• การวิเคราะห์วิถีและการทำนายเพื่อความปลอดภัยของคนเดินเท้าที่ดีขึ้น: กรอบและการประเมินผลแบบบูรณาการ, 2015. [กระดาษ]
• การทำนายและตระหนักถึงปฏิสัมพันธ์ของมนุษย์ในพื้นที่สาธารณะปี 2558 [กระดาษ]
• การเรียนรู้พฤติกรรมฝูงชนโดยรวมกับตัวแทนเดินเท้าแบบไดนามิกปี 2558 [กระดาษ]
• การสร้างแบบจำลองพลวัตเชิงพื้นที่ของการเคลื่อนไหวของมนุษย์เพื่อทำนายวิถีวิถีในอนาคต AAAI 2015 [กระดาษ]
• หุ่นยนต์ที่ไม่ได้รับการเรียนรู้ที่จะทำนายการเคลื่อนไหวของบุคคล, ICRA 2015. [กระดาษ]
• ตัวกรองแบบหลายแบบโต้ตอบแบบโต้ตอบสำหรับการจดจำความตั้งใจของคนเดินเท้าแบบรวมและการทำนายเส้นทาง, ITSC 2015 [กระดาษ]
• การสร้างแบบจำลองการทำนายแบบเรียลไทม์และการหลีกเลี่ยงที่แข็งแกร่งของคนเดินเท้าที่มีความไม่แน่นอนเปลี่ยนความตั้งใจ 2014 [กระดาษ]
• การประเมินพฤติกรรมสำหรับกรอบการทำงานที่สมบูรณ์สำหรับการทำนายการเคลื่อนไหวของมนุษย์ในสภาพแวดล้อมที่แออัด ICRA 2014 [กระดาษ]
• การคาดการณ์วิถีของคนเดินเท้าในการจราจรสาธารณะด้วยเครือข่ายประสาทเทียม, ICPR 2014. [กระดาษ]
• คนเดินเท้าจะข้ามหรือไม่? การศึกษาการทำนายเส้นทางเดินเท้าปี 2014 [กระดาษ]
• BRVO: การทำนายเส้นทางเดินเท้าโดยใช้การใช้เหตุผลเชิงพื้นที่ความเร็ว, 2014. [กระดาษ]
• การทำนายเส้นทางเดินเท้าตามบริบท ECCV 2014 [กระดาษ]
• การทำนายเส้นทางเดินเท้าโดยใช้ลักษณะภาษากาย, 2014. [กระดาษ]
• การรับรู้การซ้อมรบออนไลน์และการทำนายวิถีการเคลื่อนที่แบบหลายรูปแบบสำหรับความช่วยเหลือทางแยกโดยใช้การถดถอยแบบไม่ใช้พาราม
• ความตั้งใจในการเรียนรู้เพื่อปรับปรุงการคาดการณ์การเคลื่อนไหวของมนุษย์, 2013. [กระดาษ]
• การทำความเข้าใจการมีปฏิสัมพันธ์ระหว่างผู้เข้าร่วมการจราจรบนพื้นฐานของพฤติกรรมที่เรียนรู้ปี 2559 [กระดาษ]
• การทำนายเส้นทางภาพในฉากที่ซับซ้อนด้วยวัตถุเคลื่อนที่ที่แออัด CVPR 2016 [กระดาษ]
• แนวทางการเล่นเกมในการทำนายและการวางแผนฉากแบบโต้ตอบที่รับรู้ถึงการทำซ้ำในปี 2559 [กระดาษ]
• การวางแผน POMDP ออนไลน์โดยเจตนาสำหรับการขับขี่แบบอิสระในฝูงชน ICRA 2015 [กระดาษ]
• การรับรู้การซ้อมรบออนไลน์และการทำนายวิถีการเคลื่อนที่แบบหลายรูปแบบสำหรับความช่วยเหลือทางแยกโดยใช้การถดถอยแบบไม่ใช้พาราม
• Patch to the Future: การทำนายภาพที่ไม่ได้รับการดูแล, CVPR 2014. [กระดาษ]
• การทำนายวิถีการเคลื่อนที่ของตัวแทนมือถือโดยใช้ต้นไม้ที่ไม่สามารถเข้าถึงได้แบบเบย์, 2011 [กระดาษ]

หุ่นยนต์มือถือ

• การนำทางที่คาดการณ์ไว้ในฝูงชนโดยการทำนายความน่าจะเป็นของการเคลื่อนไหวในอนาคตของคนเดินเท้า ICRA 2021 [กระดาษ]
• Social NCE: การเรียนรู้ที่แตกต่างของการเป็นตัวแทนการเคลื่อนไหวที่รับรู้ทางสังคม [กระดาษ], [รหัส]
• การวางแผนแบบจำลองความน่าจะเป็นแบบหลายรูปแบบสำหรับการปฏิสัมพันธ์ระหว่างหุ่นยนต์มนุษย์ ICRA 2018 [กระดาษ] [รหัส]
• กระจายการหลีกเลี่ยงการชนหลายครั้งที่ไม่ติดต่อกันด้วยการเรียนรู้การเสริมแรงอย่างลึกล้ำ ICRA 2017 [กระดาษ]
• Augmented Dictionary Learning สำหรับการทำนายการเคลื่อนไหว ICRA 2016 [กระดาษ]
• การทำนายการเคลื่อนไหวของตัวแทนในอนาคตสำหรับสภาพแวดล้อมแบบไดนามิก, ICMLA 2016 [กระดาษ]
• การอนุมานความตั้งใจแบบเบย์สำหรับการทำนายวิถีด้วยปลายทางเป้าหมายที่ไม่รู้จัก Iros 2015 [กระดาษ]
• เรียนรู้ที่จะทำนายวิถีของตัวแทนนำทางแบบร่วมมือกัน ICRA 2014 [กระดาษ]

ผู้เล่นกีฬา

• Evolvegraph: การทำนายวิถีการเคลื่อนที่แบบหลายตัวแทนด้วยการใช้เหตุผลเชิงสัมพันธ์แบบไดนามิก, Neurips 2020. [กระดาษ]
• การสร้างแบบจำลองที่ไม่ใช่แบบไม่ได้เลียนแบบสำหรับการพยากรณ์และการใส่ร้าย, CVPR 2020. [กระดาษ]
• DAG-NET: เครือข่ายประสาทกราฟที่ใส่ใจสองเท่าสำหรับการพยากรณ์วิถี, ICPR 2020. [กระดาษ] [รหัส]
• รุ่นที่หลากหลายสำหรับเกมกีฬาหลายตัวแทน, CVPR 2019. [กระดาษ]
• การทำนายแบบสุ่มของการโต้ตอบหลายตัวแทนจากการสังเกตบางส่วน, ICLR 2019. [กระดาษ]
• การสร้างวิถีหลายตัวแทนโดยใช้การกำกับดูแลที่อ่อนแอของโปรแกรม, ICLR 2019. [กระดาษ]
• การโคลนนิ่งพฤติกรรมหลายตัวแทนแบบกำเนิด, ICML 2018. [กระดาษ]
• พวกเขาจะไปที่ไหน การทำนายการเคลื่อนไหวหลายตัวแทนที่มีความเป็นคู่แข่งอย่างละเอียดโดยใช้ตัวแปรอัตโนมัติแบบแปรผันตามเงื่อนไข, ECCV 2018. [กระดาษ]
• การเรียนรู้การเลียนแบบหลายตัวแทนประสานงาน, ICML 2017. [กระดาษ]
• การสร้างวิถีระยะยาวโดยใช้เครือข่ายลำดับชั้นลึกปี 2017 [กระดาษ]
• การเรียนรู้แบบจำลองเชิงพื้นที่ที่ละเอียดสำหรับการทำนายการเล่นกีฬาแบบไดนามิก, ICDM 2014. [กระดาษ]
• การสร้างแบบจำลองการกำเนิดของพฤติกรรมหลายมนุษย์หลายรูปแบบ, 2018. [กระดาษ]
• จะเกิดอะไรขึ้นต่อไป? การพยากรณ์ผู้เล่นย้ายในวิดีโอกีฬา, ICCV 2017, [กระดาษ]

เกณฑ์มาตรฐานและการประเมินผล

• กล่องเครื่องมือการประมวลผลล่วงหน้าและการประเมินผลสำหรับการวิจัยการทำนายวิถีในชุดข้อมูลโดรน, อาร์กซิฟ preprint arxiv: 2405.00604, 2024. [กระดาษ] [รหัส]
• สังคม-อิมเพรสชั่น: ทบทวนการประเมินการทำนายวิถีการเคลื่อนที่และประสิทธิภาพของการประมาณค่าความน่าจะเป็นสูงสุดโดยนัย ECCV 2022 [กระดาษ] [รหัส]
• Opentraj: การประเมินความซับซ้อนในการทำนายในชุดข้อมูลวิถีมนุษย์, ACCV 2020. [กระดาษ] [รหัส]
• การทดสอบความปลอดภัยของยานพาหนะที่ขับเคลื่อนด้วยตนเองโดยการจำลองการรับรู้และการทำนาย ECCV 2020 [กระดาษ]
• พาย: ชุดข้อมูลขนาดใหญ่และแบบจำลองสำหรับการประมาณความตั้งใจของคนเดินเท้าและการทำนายวิถี, ICCV 2019. [กระดาษ]
• สู่เกณฑ์มาตรฐานที่ตระหนักถึงความตายของการทำนายปฏิกิริยาความน่าจะเป็นในสถานการณ์การขับขี่แบบโต้ตอบสูง ITSC 2018 [กระดาษ]
• การคาดการณ์ของฉันดีแค่ไหน? การค้นหาการวัดความคล้ายคลึงกันสำหรับการประเมินการทำนายวิถี, ITSC 2017. [กระดาษ]
• Trajnet: สู่เกณฑ์มาตรฐานสำหรับการทำนายวิถีมนุษย์ [เว็บไซต์]

คนอื่น

• การตรวจจับความตั้งใจเริ่มต้นของนักปั่นจักรยาน, ITSC 2019. [กระดาษ]
• การทำนายวิถีนักปั่นจักรยานโดยใช้เครือข่ายประสาทแบบสองทิศทาง, AI 2018. [กระดาษ]
• ตัวชี้วัดโครงสร้างพื้นฐานถนนสำหรับการทำนายวิถีปี 2018 [กระดาษ]
• การใช้ทอพอโลยีบนท้องถนนเพื่อปรับปรุงการทำนายเส้นทางนักปั่นจักรยาน 2017 [กระดาษ]
• การทำนายวิถีของนักปั่นจักรยานโดยใช้แบบจำลองทางกายภาพและเครือข่ายประสาทเทียมปี 2559 [กระดาษ]