路面行驶视频中以目标为导向的物体重要性估计
本文提出一种用交互图和图卷积进行物体重要性估计的新框架,以帮助更好地理解人类驾驶行为并实现更可靠的自动驾驶系统。实验结果表明,该模型具有比现有基线模型更好的性能。
Mar, 2020
智能车辆系统需要深入了解道路状况、周围实体和自我驾驶行为之间的相互作用,以实现安全高效的导航,而在发展中国家,交通情况往往密集且无序,道路使用者也异质性强。现有数据集主要针对结构化和稀疏的交通场景,未能捕捉到在这种环境中驾驶的复杂性。为了填补这一空白,我们提出了一个大规模的双视角驾驶视频数据集 IDD-X。通过提供 697K 个边界框、9K 个重要对象轨迹和每个视频 1-12 个对象,IDD-X 为多个重要道路对象提供了综合的自我驾驶相关注释,覆盖了 10 个类别和 19 个解释标签类别。该数据集还结合倒车影像信息,以提供对驾驶环境更全面的表征。我们还引入了专为多个重要对象定位和每个对象解释预测而设计的深度网络。总体而言,我们的数据集和推出的预测模型为研究道路状况和周围实体如何影响复杂交通情况下的驾驶行为奠定了基础。
Apr, 2024
交通事故频繁导致致命伤害,自 2023 年以来已造成超过 5000 万人死亡。为了减轻驾驶危险并确保个人安全,有助于帮助车辆在行驶过程中预测重要物体。为此我们引入了 DRUformer 模型,它是基于 Transformer 的多模态重要物体检测模型,考虑了驾驶场景中所有参与者之间的关系,并嵌入了驾驶意图模块。我们在 DRAMA 数据集上进行了比较实验,结果显示与其他最先进模型相比,mIoU 有 16.2%的显著提高,ACC 有 12.3%的大幅提升。此外,我们还进行了定性分析,突出了我们模型在不同道路情景和类别中检测重要物体的有效性。最后,我们进行了多种消融实验,评估了 DRUformer 模型中所提出的模块的效率。
Nov, 2023
本文提出了一种使用关注机制模型中的注意力信息来度量每个代理对自我车辆未来计划轨迹的重要性的方法,并在 nuPlans 数据集上进行的实验证明了这种方法可以有效地找到并排名周围代理的影响。
Apr, 2022
本研究提出了一种基于交替网络和路径监督的无监督学习方法,不需要依赖摄像机佩戴者或第三方注释者的重要目标检测,该方法在两个不同的数据集上实现了与有监督学习类似或更好的结果。
Nov, 2016
本研究提出 Goal and Occluded Factor Inference (GOFI) 算法,在自动驾驶场景下应用逆向规划技术共同推断目标和潜在的遮挡因素的概率信念,并将这些信念集成到蒙特卡罗树搜索(MCTS)中,从而更准确地预测其他智能体的行为并避免碰撞等风险。
Aug, 2021
为了自动驾驶释放,需要有效的测试策略和适当的测试方法。本研究提出了一个新的方法来解决感知模块的要求问题,并针对碰撞安全在高速公路领域进行了示例应用。通过功能场景的拆分和限制交通规则,得出了感知的相关性标准。这些结果可应用于离线测试和验证。
Jul, 2023
本研究提出了一种针对 egocentric(或 “穿戴式”)相机数据的视频摘要方法,通过使用区域线索和学习回归器,选择与相机佩戴者互动最多的重要对象和人,以生成紧凑的故事板摘要,并享有相对于现有显著性和摘要技术的巨大优势。
May, 2015
通过使用车内和外部摄像头数据,本研究提出了一种新的方法来改善对未来驾驶动作的预测性能,通过明确提取外部摄像头数据中的对象和道路级特征,我们的模型能够更准确地提前预测驾驶员意图,并提高道路安全性。
Dec, 2023