扩散模型在自动驾驶的联合轨迹预测和可控生成方面展现出了潜力,但它们面临着推理步骤效率低下和计算需求高的挑战。为了应对这些挑战,我们引入了最优高斯扩散(OGD)和估计清洁流形(ECM)引导。OGD优化了小扩散时间T的先验分布,并从此开始逆向扩散过程。ECM直接向估计的清洁流形注入引导梯度,消除了整个网络中广泛的梯度反向传播。我们的方法简化了生成过程,使实际应用能够减少计算开销。在大规模的Argoverse 2数据集上进行的实验验证表明,我们的方法性能卓越,为自动驾驶的计算效率高、质量高的联合轨迹预测和可控生成提供了一个可行的解决方案。我们的项目网页位于 https://yixiaowang7.github.io/OptTrajDiff_Page/ 关键词:扩散模型、自动驾驶、轨迹预测、可控轨迹生成。

成为VIP会员查看完整内容
13

相关内容

【CVPR2024】贝叶斯扩散模型用于三维形状重建
专知会员服务
33+阅读 · 3月12日
【ICML2023】知识蒸馏对模型可解释性的影响
专知会员服务
36+阅读 · 2023年5月27日
【ICML2023】通过离散扩散建模实现高效和度引导的图生成
【Cell】可扩展深度图神经网络的高性能材料性能预测
专知会员服务
17+阅读 · 2022年5月4日
【NeurIPS 2021】基于潜在空间能量模型的可控和组分生成
专知会员服务
16+阅读 · 2021年10月23日
专知会员服务
18+阅读 · 2020年9月11日
【AAAI2023】用于图对比学习的谱特征增强
专知
18+阅读 · 2022年12月11日
【KDD2020】图神经网络生成式预训练
专知
22+阅读 · 2020年7月3日
国家自然科学基金
0+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
Arxiv
157+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
399+阅读 · 2023年3月31日
Arxiv
66+阅读 · 2023年3月26日
Arxiv
20+阅读 · 2023年3月17日
VIP会员
相关基金
国家自然科学基金
0+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
微信扫码咨询专知VIP会员