MTR

MTR

自动驾驶多模态运动预测的先进框架

MTR项目是一个创新的多模态运动预测框架,专为自动驾驶场景设计。它通过全局意图定位和局部运动细化的联合优化来进行运动预测,采用可学习的运动查询对处理不同的运动模式。在Waymo开放运动数据集的评测中,MTR在边缘和联合运动预测任务上均表现出色,位居排行榜首位。该框架以其简洁性、高效性和准确性为自动驾驶领域的多模态运动预测提供了一个有力的基准。

Motion Transformer自动驾驶多模态运动预测神经网络Waymo数据集Github开源项目

运动变换器(MTR):自动驾驶中多模态运动预测的强大基线

预览

这个仓库是NeurIPS 2022论文(口头报告)"Motion Transformer with Global Intention Localization and Local Movement Refinement"的官方实现。

作者:Shaoshuai Shi, Li Jiang, Dengxin Dai, Bernt Schiele

[MTR (arXiv)]    [MTR++ (arXiv)]

新闻

[2023-06] MTR++论文正式发布在arXiv:2306.17770上,支持多智能体运动预测,并在Waymo Open Dataset上取得最先进的性能。

[2023-05] MTR++赢得了2023年Waymo Open Dataset运动预测挑战赛的冠军,请查看排行榜这里

[2022-06] MTR赢得了2022年Waymo Open Dataset运动预测挑战赛的冠军,请查看官方帖子这里

摘要

预测交通参与者未来的多模态行为对于机器人汽车做出安全决策至关重要。现有工作探索直接预测未来轨迹,基于潜在特征,或利用密集的目标候选来识别智能体的目的地,前者收敛缓慢因为所有运动模式都源自同一特征,后者效率低下因为其性能高度依赖于目标候选的密度。在本文中,我们提出了Motion TRansformer (MTR)框架,将运动预测建模为全局意图定位和局部运动细化的联合优化。MTR不使用目标候选,而是采用少量可学习的运动查询对来融合空间意图先验。每个运动查询对负责一种特定的运动模式的轨迹预测和细化,这稳定了训练过程并促进了更好的多模态预测。实验表明,MTR在边际和联合运动预测挑战中都取得了最先进的性能,在Waymo Open Motion Dataset的排行榜上排名第一。

亮点

MTR代码库

  • 最先进的性能,代码结构清晰,易于扩展
  • 一个非常简单的上下文编码器,用于建模智能体/地图关系
  • 带有可学习查询的意图点的运动解码器
  • 使用高斯混合模型的多模态运动预测损失
  • 在Waymo Open Motion Dataset上的清晰数据处理和组织
  • 使用官方Waymo Motion评估API的本地评估工具

方法

  • 简单: 纯变换器的上下文编码器和运动解码器
  • 高效: 使用少量可学习的意图查询进行多模态未来预测
  • 准确: 在Waymo Motion Prediction排行榜上排名第一(最后更新:2023年2月)

预览

入门

主要结果

在Waymo Open Motion Dataset验证集上的性能

模型训练集minADEminFDE遗漏率mAP
MTR20%0.66971.37120.16680.3437
MTR100%0.60461.22510.13660.4164
MTR-e2e100%0.51601.04040.12340.3245

在Waymo Open Motion Dataset测试集上的性能

模型训练集minADEminFDE遗漏率mAP
MTR100%0.60501.22070.13510.4129
MTR-A (ens)100%0.56401.13440.11600.4492

引用

如果您在研究中发现这项工作有用,请考虑引用:

@article{shi2022motion,
  title={Motion transformer with global intention localization and local movement refinement},
  author={Shi, Shaoshuai and Jiang, Li and Dai, Dengxin and Schiele, Bernt},
  journal={Advances in Neural Information Processing Systems},
  year={2022}
}

@article{shi2023mtr,
  title={MTR++: Multi-Agent Motion Prediction with Symmetric Scene Modeling and Guided Intention Querying},
  author={Shi, Shaoshuai and Jiang, Li and Dai, Dengxin and Schiele, Bernt},
  journal={arXiv preprint arXiv:2306.17770},
  year={2023}
}

@article{shi2022mtra,
  title={MTR-A: 1st Place Solution for 2022 Waymo Open Dataset Challenge--Motion Prediction},
  author={Shi, Shaoshuai and Jiang, Li and Dai, Dengxin and Schiele, Bernt},
  journal={arXiv preprint arXiv:2209.10033},
  year={2022}
}

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多