ICCVJan, 2016

基于深度融合感知的车辆预知系统 Brain4Cars

PDF
TL;DR在这项工作中，我们提出了一种汽车传感器丰富的平台和学习算法用于机动预测，该平台使用多个传感器流并联学习以提前预测机动，并提出了一种新颖的训练流程，我们提供了一个包含 1180 英里自然高速公路和城市行驶数据集，在现实时间内可以预测 3.5 秒的机动，精确度和召回率分别为 90.5％和 87.4％。
advanced driver assistance systemsmaneuver anticipationsensory-fusion deep learningrecurrent neural networksdata set
发现论文，激发创造
  • 车辆在您之前就能预测：通过学习时间驾驶模型来预测车辆操作

    本文提出了一种先进的驾驶辅助系统，通过使用相机和计算设备，捕捉车辆内外的驾驶环境并使用自回归输入 - 输出 HMM 模型来预测驾驶员的驾驶操作，实现在真实环境下 3.5 秒内实时预测驾驶操作，达到 F1 得分超过 80%。

    Apr, 2015

  • 基于感知融合架构的驾驶员行为预测的循环神经网络

    本研究提出了一种深度学习方法，使用多个传感器流的信息，通过递归神经网络和长短期记忆单元的联合学习，从而能够在真实自然环境下预测驾驶员的行驶意图，并在准确度和召回率上达到了很高水平。

    Sep, 2015

  • LSTM 网络用于高速公路轨迹预测

    本文提出了一种基于 LSTM 神经网络对高速公路行驶中的车辆进行准确的纵向和横向轨迹预测方法，同时使用 NGSIM US-101 数据集中来自超过 6000 名司机的 800 小时记录轨迹进行训练和验证。

    Jan, 2018

  • GAD - 基于生成学习的高清地图无驾驶

    提出一种基于深度学习的方法，将预测、决策和规划模块融合起来，以克服自动驾驶系统中基于规则的方法在真实世界应用中的不足，特别是在城市场景中。所提出的 DNN 模型仅经过 10 小时的人工驾驶数据训练，并且支持市场上所有的批量生产 ADAS 功能。在此论文中，展示了该方法在不对车辆的传感器设置和计算平台进行任何修改的情况下，通过部署到集约的测试车辆上，展示了其可行性、可用性和商业潜力。

    May, 2024

  • 交通优化中的隐式感知：先进的深度强化学习技术

    通过采用深度强化学习从事自主驾驶车辆上的车辆跟随和变道模型，本论文探讨了解决构成道路阻塞的突发情况，提出了基于 Markov 决策过程和 MEC 辅助架构的综合决策控制系统，并通过 SUMO 模拟器和 OPENAI GYM 评估了该模型的性能，结果显示使用 ε-greedy 策略进行训练的 DQN 代理明显优于使用 Boltzmann 策略进行训练的代理。

    Sep, 2023

  • 领域对抗循环神经网络实现强健的无主体行驶机动预测

    通过深度学习和计算机视觉技术，结合领域适应性实现驾驶行为几秒钟内的精准预测，提高驾驶辅助系统的性能和应用范围。

    Feb, 2019

  • 自动驾驶和高级驾驶辅助系统的摄像头 - 雷达感知：概念，数据集和度量

    本文研究了自动驾驶系统中车辆安全性的提高、深度学习基础的障碍物检测和分割、雷达传感器和摄像头传感器的融合，以及在车辆感知中的数据集、度量、挑战和开放性问题，这些元素对于提高自动驾驶系统的普及率具有重要意义。

    Mar, 2023

  • 自主驾驶碰撞风险评估的深度预测模型

    本文研究了一种在自主驾驶和辅助驾驶中用于碰撞风险评估的预测方法，利用深度预测模型从传统视频流中预测即将到来的事故，并在决策制定过程中引入了时间信息、多模态信息以及任务固有的不确定性。通过使用基于贝叶斯卷积 LSTM 的深度预测模型，实验表明当多个摄像头作为输入源时，该方法能够较为准确地预测即将发生的事故。

    Nov, 2017

  • 车道关注：通过学习车道上的注意力预测车辆的运动轨迹

    通过关注机制和 LSTM 网络，该文研究了自动驾驶车辆中驾驶员意图与车辆位置变化的关系，并将其用于预测，采用非欧几里得图形和图神经网络等处理方式比其他最先进技术表现更好，此模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。

    Sep, 2019

  • 基于 LSTM 的自动驾驶换道安全预测模型

    自动驾驶技术能够提高交通安全和减少事故，本研究提出了基于短期记忆 (LSTM) 网络的安全敏感深度学习模型来预测轨迹，通过考虑交互信息的意图识别模块，实现高准确性和流畅性的车道变换，并优化自动驾驶轨迹规划。

    Feb, 2024