May, 2017

以代理人为中心的风险评估：事故预测和危险区域定位

PDF
TL;DR提出了一种基于软关注机制的循环神经网络模型，用于分析事故的发生概率和发生位置，实验证明该方法在两个数据集上均优于其他基准模型。
risk assessmentaccident anticipationrisky region localizationrecurrent neural networksoft-attention
发现论文，激发创造
  • 基于不确定性的时空关系学习在交通事故预测中的应用

    本研究提出了一个基于不确定性的事故预测模型，其中利用图卷积和循环神经网络进行关系特征学习，利用贝叶斯神经网络处理潜在关系表示的本质变异性，并使用新的 CCD 数据集验证了该模型在普通和新编译数据集上的表现优越性。

    Aug, 2020

  • 基于自我中心视角的未来车辆本体定位技术研究

    本文介绍了一种新颖的方法来同时预测自动驾驶中车辆的位置和规模，这主要是通过使用多流递归神经网络编码器 - 解码器模型来实现，在该模型中，密集的光流加入了捕捉运动和外观变化信息的能力。此外，本文还发现明确建模车辆的未来运动可以提高预测准确性。

    Sep, 2018

  • RiskOracle：一种以分钟级的频率预测城市交通事故的框架

    本文提出了一个基于 RiskOracle 框架的实时交通事故预测模型，采用 Differential Time-varying Graph 神经网络来捕捉交通状态的即时变化和动态子区域之间的相关性，采用多任务和区域选择方案来弥合偏见风险值和零散事故分布之间的差距，在两个真实数据集上进行的广泛实验表明了我们 RiskOracle 框架的有效性和可扩展性。

    Feb, 2020

  • 严格的代理评估：揭示灾难性失败的对抗方法

    本文提出了一种基于对抗评估的学习系统评估方法，旨在解决现有强化学习代理评估方法可能会缺失失败情况的问题，通过对抗选择情况进行评估，可大幅缩短评估时间，实验结果表明该方法在可靠性和效率上都有极大的提升。

    Dec, 2018

  • 基于上下文视觉转换器的交通事故风险预测

    本文提出了一种通过上下文视觉变换器进行端到端训练的新框架，该框架可以有效地推理有关问题的空间和时间方面，同时提供准确的交通事故风险预测，并在两个不同地理位置的大规模交通事故数据集上优于现有技术。

    Sep, 2022

  • 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

  • 预测交通事故的强化学习

    提出在自动驾驶的过程中采用双演员和规范化评论家 (DARC) 方法进行早期事故预测，该方法基于强化学习模型，可以提高事故预测的精度和提前量，从而显著提高自动驾驶的安全性。

    Dec, 2022

  • DRIVE: 基于深度强化学习的事故预测与视觉解释

    本文提出了一种基于深度强化的交通事故预测方法 DRIVE，通过模拟仪表盘观察环境中的视觉注意机制和使用奖励机制改进强化学习算法来提高决策能力，进而实现较高准确性的预测。

    Jul, 2021

  • 使用自适应损失和大规模事故数据库预测交通事故

    本文研究交通事故的预测，并提出了 AdaLEA 和自注释数据库等方法，在实验中取得了较好的平均精确度和在接近碰撞时间方面更早的预测时间。

    Apr, 2018

  • 强化学习空中视角定位：迈向模拟搜救

    本文提出了一种基于强化学习的模型，名叫 AiRLoc，用于解决搜索和救援行动中的目标定位问题，该模型可以在局部图像信息下自主完成目标搜索和定位，并且在灾难等环境下也表现出良好的泛化能力。

    Sep, 2022