基于知识的生成对抗网络在信号灯交叉口多车轨迹预测中的应用

该研究提出了基于图注意力神经网络的数字孪生模型，应用于交通信号优化和交叉口安全性提升。

利用生成对抗网络（GAN）和多模态预测方法，成功避免了模式崩溃问题，生成多样化的行人运动预测结果。

提出了一种新型GAN，通过社交影响建模有效预测人群行为和行人意图，改善自动驾驶导航效果。

研究了轨迹预测框架，捕捉人行轨迹的社会交互变化，表现出最先进的性能。

基于多模态卷积神经网络的算法，融合交通灯识别和轨迹估计，实现街道交叉口的安全导航。

利用知识图谱和贝叶斯推理进行车道变更预测，取得了领先的F1得分。

改进的语义分割模型结合对抗学习，提升了交通图像中复杂特征的捕捉能力。

提出的方法缩小了模拟与实际之间的差距，创造逼真的城市交通图像，支持交通数据集的丰富应用。

基于图的多模态轨迹预测模型有效预测未来车辆轨迹，解决车辆交互和多模态行为的挑战。

新的基于栅格化的条件生成对抗网络结构在自动驾驶车辆周围交通参与者运动预测中表现优异。