轨迹预测相关 AI 资讯

7月20日

09:57

官方账号arXiv cs.LG@Tam Bang, Hussam Abubakr, Emiliano de la Garza Villarreal, Truc Phuong Nguyen, Austin Harris, Toru Hirano, Mina Sartipi, Yunfei Xu, Hoang H. Nguyen

PRISA框架利用路边LiDAR传感器实现隐私保护、低光照鲁棒的交通监测和实时风险检测。其风险评估模块自动从感知数据中训练轨迹预测模型，无需手动标注，并部署在NVIDIA Jetson AGX Thor上。在R-LiViT数据集上的评估显示，PPET评估在2.4秒预测时域内端到端延迟为194毫秒，TTC检测满足实时约束。该框架已在田纳西州查塔努加的真实信号交叉口部署，验证了主动式多智能体交叉口安全监测的可行性。

论文 PRISA LiDAR 交通安全

事件专题

推荐理由：这篇论文提出PRISA，用路边LiDAR自动学习轨迹预测，无需人工标注就能在边缘实时评估碰撞风险，延迟仅194毫秒，已在真实路口跑通。

原文

5月21日

09:46

官方账号arXiv cs.AI@Junsung Park, Hyunjung Shim

精选

现有驾驶视觉-语言-动作模型（Driving VLA）在轨迹预测时严重忽视视觉特征，原因是任务定义存在结构性缺陷。研究者从逆运动学角度重新设计，要求模型预测未来视觉状态作为边界条件，并引入独立逆运动学网络（交叉注意力条件扩散模型）来抑制对自车状态和文本指令的捷径依赖。仅用0.5B参数，该模型在NAVSIM-v2和nuScenes基准测试中达到7B-8B大模型的轨迹规划性能，尤其在动态驾驶场景（如转弯）中视觉特征利用显著提升。

论文 Driving VLA 逆运动学轨迹预测

推荐理由：这篇论文用逆运动学原理解决了Driving VLA忽视视觉特征的顽疾，做自动驾驶轨迹规划的团队值得关注——0.5B模型就能达到7B-8B的效果，意味着更低的部署成本和更好的视觉鲁棒性。

原文

5月15日

09:51

官方账号arXiv cs.AI@Lukas Schelenz, Shobha Rajanna, Denis Gosalci, Lucas Heublein, Jonas Pirkl, Jonathan Ott, Felix Ott, Christopher Mutschler, Tobias Feigl

精选

该论文研究了在信号处理管道中预测动态运动（如NBA球员轨迹）的挑战，传统方法如ARIMA和卡尔曼滤波难以处理非线性动态。机器学习方法如LSTM、GNN和Transformer提供了更高灵活性，但常未能显式捕捉时间依赖与上下文交互。实验表明，混合LSTM结合上下文信息在2秒预测范围内实现了最低最终位移误差1.51米，优于TCNN、GAT和Transformer，且所需数据和训练时间更少。研究强调没有单一架构在所有指标上最优，需根据任务选择模型。

论文轨迹预测 LSTM GNN

推荐理由：做运动轨迹预测或动态系统建模的团队，这篇论文对比了主流模型的实际表现，混合LSTM方案在效率和精度上都有亮点，值得参考。

原文