Apr, 2019

基于时空 DenseNet 的自主地面车辆的行人实时意图预测

PDF
TL;DR本文提出了一种基于图像序列的单目 RGB 相机的实时框架，使用区别于基线方法的跟踪 - 检测技术和创新的时空 DenseNet 模型识别、跟踪和预测行人在城市交通环境中的意图和动作，以实现对自主地面车辆行为的理解。实验表明，该方法在实时性和效果方面比其他基线方法更具鲁棒性和竞争力，平均精度得分为 84.76％，帧率为 20FPS。
发现论文，激发创造
  • 利用特征融合和时空注意力预测行人过路意图

    该研究提出一种采用注意力机制和递归神经网络融合序列 RGB 影像、语义分割掩码和自车速度的神经网络结构，用于预测行人过马路意图，从而解决全局时空上下文与融合传感器数据的最优策略问题，实现了针对自动驾驶系统中行人行为预测的最优性能。

    Apr, 2021

  • 使用深度神经网络进行行人预测的规划

    本文介绍了一种基于自主行车的防撞技术，包括预测行人通过模拟其自身运动规划、推断可能的目的地、规划阶段和行为模式预测的神经网络。实验结果表明，系统能够准确地预测目的地和轨迹。

    Jun, 2017

  • 城市交通中行人动作和意图识别

    本研究使用多种特征提取方法和机器学习算法，使用 JAAD 数据集为基础，聚焦于行人运动和头部方向的检测，达到了 72% 和 85% 的准确率，能有效解决自动驾驶和高级驾驶辅助系统中的行人意图和行动识别问题。

    Oct, 2018

  • 单目视频中行人动作的识别和三维定位

    本论文旨在通过单目行人动作识别和以自我为中心的视角进行的 3D 定位，预测行人意图和行动轨迹，通过使用传统 JAAD 和 KITTI 数据集以及 H3D 驾驶数据集的定性测试，展示了所提出的行动识别框架和定位方法的有效性和优越性。

    Aug, 2020

  • 行人意图预测的时空关系推理

    本文提出了基于图卷积的框架，通过构建场景图并在场景内计算对象之间的空时关系，从两个不同角度进行了预测行人是否穿过街道的实验，并提供了一种用于自主驾驶系统在高密度行人区进行行人意图预测的新数据集，实验结果表明我们的方法能够以精度高于现有方法的 79.1％（STIP 数据集）和 79.28％（JAAD 数据集）的准确度预测行人的意图。

    Feb, 2020

  • 实时深度学习车辆和行人检测与分析

    通过训练和评估 YOLOv8 和 RT-DETR 模型的不同版本，我们的研究项目旨在创建和验证一个先进的深度学习框架，能够处理复杂视觉输入，以实时识别各种环境中的汽车和行人。YOLOv8 Large 版本被证明是最有效的，在行人识别方面具有很高的准确性和鲁棒性。研究结果表明，该模型能够显著提高交通监控和安全性，成为计算机视觉领域实时可靠检测的重要贡献，并为交通管理系统建立了新的基准。

    Apr, 2024

  • 基于时空关注模型的情境感知行人轨迹预测

    本文提出了一种基于时空图的长短期记忆神经网络，用于在拥挤环境中预测行人的轨迹，考虑与场景中的静态和动态元素的交互，结果表明，相比于其他方法，本方法在人类轨迹预测方面能够将平均位移误差（ADE）和最终位移误差（FDE）分别降低高达 55％和 61％。

    Feb, 2019

  • 基于 ID3 模型的决策树用于 IoT 边缘设备的行人意图分类器

    为了解决自动驾驶汽车在遇到突然出现的路障时反应时间不足的问题，我们提出了一种新颖的基于 MediaPipe 姿态估计模型的算法实现，用四元数将单一行人的意图分类为逻辑状态，避免了使用深度学习算法的必要性，并且通过在 IoT 边缘设备上运行来避免了计算资源的限制。该模型在平均延迟 48 毫秒的情况下，实现了 83.56％的平均测试准确率，相对标准的时空卷积网络的使用具有显着优势。

    Apr, 2023

  • 基于空间上下文深度网络的自动驾驶多模态行人检测

    本文提出一种基于 RGB 和热图像的、具有新颖空间上下文深度网络结构和多模态特征嵌入模块的行人检测端到端多模态融合模型，其能够在真实世界的日夜低光照条件下实现高效而准确的检测。

    May, 2021

  • IntentNet: 从原始传感器数据中学习预测意向

    该研究开发了一种能够利用 LiDAR 传感器产生的 3D 点云和环境动态地图的多任务模型，以识别其他交通参与者的意图，并实现减少自动驾驶应用程序反应时间的目的，与分离模块相比达到更高的准确性和节省计算资源。

    Jan, 2021