本文提出了一种使用普通 2D 相机来实现实时人机碰撞预警的新框架，该框架设计了一个单目 3D 目标检测模型和后处理分类模块，用于识别危险、潜在危险、关注和安全等四个预定义的接近程度，精度达到了 75％，可用于监测建筑工地的人机接近度以避免碰撞。

May, 2023

本论文提出了一种在交通监控应用中实现交通事故检测的高效框架，包括基于 YOLOv4 方法的准确物体检测、基于 Kalman 滤波器以及匈牙利算法的对象跟踪，以及轨迹冲突分析的事故检测，并且用于真实交通视频数据的实验结果证明了该方法的实时应用的可行性。

Aug, 2022

通过训练递归卷积神经网络，从视频输入中预测深度来产生下一个帧，此方法可以较其他直接预测下一个帧的方法产生更精确的深度预测，并且通过考虑更多的先前帧可以提高预测准确率。

Sep, 2016

利用外观、语境和几何线索，通过一个基于深度学习的完全卷积网络，结合基于模型的统计假设检验的最新检测方法，和一个系统的贝叶斯框架来检测自动驾驶汽车所面临的道路中的障碍物。我们在失物招领数据集上评估了我们的障碍物检测系统，取得了 50% 的相对性能提高和在 50 米内超过 90% 的检测率，在我们的自动驾驶平台上达到了 22 Hz 的操作。

Dec, 2016

自动驾驶系统需要准确地感知周围环境以有效地执行其例行程序。针对避免碰撞和安全驾驶的目标，自动驾驶系统在很大程度上依赖于物体检测。然而，仅有的 2D 物体检测是不足够的，还需要更多信息，如相对速度和距离，以进行更安全的规划。我们提出了通过扩展物体检测模型来预测每个物体的接触时间属性的方法，以解决这个问题。我们将我们的方法与现有的接触时间方法进行比较，并在知名的数据集上提供了基准结果。我们的方法在使用单个图像的情况下实现了比现有技术更高的精度。

May, 2024

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

本文介绍了一种基于外观的障碍物检测系统，使用深度神经网络的方法进行训练，能够在高速行驶、长距离、低维度等复杂情况下对障碍物进行检测。

Jul, 2016

提出了一种新的模型，该模型利用场景识别、长期预测和不确定性建模技术，可以精确地预测高度动态人群场景中的 1 秒内的自行车轨迹，结果表明该方法可以提高人群轨迹预测的准确性。

Nov, 2017

介绍了一个包括 234 个高清摄像头记录的多摄像头跟踪数据集，从纳什维尔市附近的一段 8-10 车道长约 4.2 英里的高速公路同时录制了 234 小时的视频数据。该数据集包含高密度交通状况下的 500 + 个物体，典型物体持续时间为 3-15 分钟。通过手动校正车辆行驶场景中的 GPS 轨迹，为跟踪评估提供了一组地面真实轨迹，并为每个摄像头提供了物体检测结果。初步对检测跟踪算法进行了基准测试，结果表明在长时空间范围内进行交通场景理解所需的跟踪性能不足。

Sep, 2023

本文介绍了一种使用循环模型进行短视频聚合并实现相机定位的方法。通过考虑短视频的时间平滑性，不仅可以使位姿估计更加平滑，还可以显著降低相机定位误差，并提出了一种从该模型中获得概率位姿估计的方法。我们在实际的自动驾驶和室内定位数据集上进行了评估。

Feb, 2017