行业技术趋势 - 轨迹预测在自动驾驶领域仍是主流算法 许多公司依然沿用二段式端到端或模块化方法而非一段式端到端[1] - 扩散模型在多智能体轨迹预测领域取得重大突破 通过逐步去噪实现复杂分布生成[2] - Leapfrog Diffusion Model采用可训练跳跃初始化器 在多个数据集上实现19-30倍加速并显著提升精度[2] - Mixed Gaussian Flow通过构建混合高斯先验匹配多峰分布 在UCY/ETH和SDD数据集达到最先进性能[2] - Pattern Memory-based Diffusion Model通过聚类人类运动模式构建记忆库 引导生成多样而合理的轨迹[2] 研究应用方向 - 多智能体轨迹预测根据多个交互主体历史轨迹预测未来运动 应用于自动驾驶、智能监控和机器人导航[1] - 研究融合社会交互建模与条件控制机制 实现对目标点和环境因素的灵活引导[3] - 在ETH、UCY、SDD等公开数据集进行实证验证 与LED、MGF、SingularTrajectory等主流方法系统比较[3] 技术发展痛点 - 人类行为具有不确定性和多模态性 使预测任务十分困难[1] - 传统方法依赖循环神经网络、卷积网络或图神经网络建模社会交互[1] - 生成模型如GAN和CVAE虽可模拟多模态分布但效率不高[1] 课程内容体系 - 课程提供ETH、UCY、SDD等公开行人或车辆轨迹数据集及预处理脚本[20] - 提供多个开源框架包括LED、SingularTrajectory、MGF、MPMNet等baseline代码[21][22] - 涵盖CVPR 2023/2024和NeurIPS 2024等顶级会议的最新论文[23] - 课程周期包含12周在线小组科研、2周论文指导和10周论文维护期[9][31] 教学方法特色 - 采用"2+1"式授课师资 配备名校教授、研究院和行业导师领衔授课[16][17] - 提供科研论文idea 每位学员均可获得导师准备的研究课题[9] - 包含全学习周期服务 从基础知识测试到学术通识准备再到后期报告指导[18] - 课程产出包括论文初稿、项目结业证书和推荐信[19]

端到端自动驾驶与轨迹预测技术 - 端到端自动驾驶量产应用仍较少 多数公司沿用二段式端到端或模块化方法 轨迹预测仍是量产主流算法 [1] - 轨迹预测模型与感知模型融合训练即构成端到端系统 该领域研究热度持续 会议期刊相关论文产出量大 [1] - 多智能体轨迹预测需处理历史轨迹数据 预测未来运动 应用于自动驾驶/智能监控/机器人导航 面临行为不确定性和多模态挑战 [1] 扩散模型在轨迹预测中的应用突破 - 扩散模型通过逐步去噪生成复杂分布 在轨迹预测中显著提升多模态建模能力 [2] - LeapfrogDiffusionModel采用可训练跳跃初始化器 减少去噪步骤实现实时预测 在NBA/NFL/SDD/ETHUCY数据集上精度提升19-30倍 [2] - MixedGaussianFlow构建混合高斯先验 在UCY/ETH/SDD数据集达到最先进性能 [2] - PatternMemory-basedDiffusionModel通过聚类运动模式构建记忆库 引导生成多样化合理轨迹 [2] 课程体系与科研目标 - 课程聚焦扩散模型多智能体轨迹预测 包含12周科研+2周论文指导+10周维护期 预期产出算法框架/定量分析/高水平论文 [3][9] - 覆盖轨迹预测技术发展史 比较传统模型与生成式模型创新点 包含LSTM/SocialPooling/Graph-basedmodel等经典方法解析 [24] - 重点解析LED/MGF/SingularTrajectory/MPMNet等先进算法 涉及跳跃初始化/混合高斯先验/运动模式记忆等核心技术 [24] 技术资源支持 - 提供ETH/UCY/SDD等公开行人车辆轨迹数据集及预处理脚本 [20] - 开源LED/SingularTrajectory/MGF/MPMNet等基线代码框架供参考扩展 [21][22] - 必读论文包括CVPR2023跳跃扩散模型/NeurIPS2024混合高斯流等前沿成果 [23] 课程特色与学员收益 - "2+1"师资配置(教授+研究员+行业导师) 配备科研班主任全程督学 [16][17] - 学习周期包含学前测试/个性化指导/学术复习 提供论文初稿/结业证书/推荐信等产出 [18][19] - 学员可掌握扩散模型条件控制/社会交互建模/多模态不确定性处理等高级技术 [24]

轨迹预测技术现状 - 轨迹预测仍是自动驾驶核心模块 对下游规划控制至关重要 可提前识别潜在危险并优化行驶路线[1] - 当前VLA方案不稳定 多数量产仍依赖两阶段或类端到端架构 轨迹预测模块不可或缺[1] - 学术界研究热度持续 联合预测/多智能体预测/Diffusion模型等方向在顶会占据重要地位[1] 扩散模型技术突破 - 扩散模型通过逐步去噪实现复杂分布生成 在轨迹预测中显著提升多模态建模能力[2] - Leapfrog Diffusion Model采用可训练跳跃初始化器 在NBA/NFL等数据集上加速19-30倍[2] - Mixed Gaussian Flow构建混合高斯先验 在UCY/ETH数据集达到SOTA性能[2][26] - MPMNet通过运动模式记忆库引导生成 提升轨迹多样性与合理性[2] 课程技术框架 - 融合扩散生成机制与社会交互建模 实现对目标点/环境因素的灵活控制[3][6] - 使用ETH/UCY/SDD等公开数据集验证 对比LED/MGF等主流方法[3][24] - 提供预处理脚本与baseline代码 包括LED/SingularTrajectory等开源框架[25] 课程体系设计 - 12周科研+2周论文指导+10周维护期 覆盖选题/实验/写作全流程[12][35] - 包含CVPR/NeurIPS等顶会论文精讲 如LED(CVPR 2023)/MGF(NeurIPS 2024)[26] - 采用"2+1"师资模式 名校导师授课+科研班主任全程督导[18][19] 学员培养目标 - 系统掌握扩散模型轨迹预测理论 形成完整知识体系[9] - 完成论文初稿产出 获得写作/投稿方法论[13][30] - 硬件要求16GB内存+4GB显存GPU 需熟悉PyTorch框架[14][16] 教学实施方案 - 每周1-1.5小时专题课 从经典LSTM到扩散模型进阶[27][28] - 阶段产出包括研究idea确定/代码实现/论文撰写[27] - 设置先导课与基础测试 配备学术通识准备环节[22]

课题简介 - 核心观点：研究基于扩散模型的多智能体轨迹预测方法，解决自动驾驶、智能监控和机器人导航等场景中的轨迹预测难题 [1] - 传统方法依赖循环神经网络、卷积网络或图神经网络，生成模型如GAN和CVAE效率不高 [1] - 扩散模型通过逐步去噪实现复杂分布生成，在轨迹预测中显著提升多模态建模能力 [1] - LeapfrogDiffusionModel（LED）采用可训练跳跃初始化器，减少去噪步骤并加速19–30倍，在NBA/NFL/SDD/ETHUCY等数据集上提升精度 [1] - MixedGaussianFlow（MGF）构建混合高斯先验匹配多峰分布，在UCY/ETH和SDD数据集上达到最先进性能 [1] - Pattern Memory-based Diffusion Model（MPMNet）聚类人类运动模式构建记忆库，引导生成多样合理轨迹 [1] 研究目标与预期成果 - 综合利用扩散生成机制建模轨迹不确定性，融合社会交互建模与条件控制机制 [2] - 在ETH、UCY、SDD等公开数据集验证，与LED、MGF、SingularTrajectory等方法系统比较 [2] - 预期产出包括算法框架、定量与可视化展示、高水平论文，应用于自动驾驶、智能监控和服务机器人领域 [2] 课程目的 - 系统掌握轨迹预测与扩散模型理论知识，形成清晰体系 [5] - 结合模型理论与代码实践，复现论文并开发新模型 [5] - 积累论文写作方法论，获得修稿指导与投稿建议 [5] 招生对象 - 轨迹预测与自动驾驶方向的本硕博学生 [7] - 申硕申博、国外留学需提升简历者 [7] - 从事自动驾驶轨迹预测或diffusion领域工作需提升算法理论者 [7] 课程收获 - 经典与前沿论文分析、代码实现、创新点与baseline [7] - 选题方法、实验方法、写作方法、投稿建议 [7] - 12周在线科研+2周论文指导+10周论文维护期，产出论文初稿 [8] 招生要求 - 基础要求：具备深度学习基础，熟悉Python与PyTorch [9] - 硬件要求：至少16GB内存和4GB显存NVIDIA GPU（如RTX 3080） [11] - 学习要求：掌握Python编程、PyTorch框架、Linux开发调试能力 [14] 课程亮点 - "2+1"式师资：名校教授+行业导师+科研班主任全程跟踪 [15][16] - 全周期服务：入学测试、个性化教学、学术复习与报告指导 [17] - 高学术标准：产出论文初稿、结业证书、优秀学员推荐信 [18] 课程资源 - 数据集：提供ETH、UCY、SDD等公开行人或车辆轨迹数据集 [19] - Baseline代码：提供LED、SingularTrajectory、MGF、MPMNet等开源框架 [20][21] - 必读论文：包括CVPR 2023/2024、NeurIPS 2024等顶会论文 [22] 课程大纲 - 先导课：轨迹预测任务与扩散模型基础 [23] - 经典方法：LSTM、Social Pooling、Graph-based model [23] - 扩散模型专题：LED加速推理、MGF多模态多样性、MPMNet运动模式引导 [23] - 高级话题：条件控制、社会交互建模、不确定性分析 [23] - 论文写作：结构设计、创新点表达、实验可视化 [23] 服务方式 - 班主任督学+腾讯会议直播+小鹅通回放 [25] - 课程周期：12周科研+2周指导+10周维护期 [29] - 基础补齐：提供先修课程与基础论文 [25]