Jun, 2019

利用高清地图和高效卷积神经网络预测易受伤路用户的运动

PDF
TL;DR本文使用深度学习方法预测道路的弱势交通参与者，通过将高清地图和参与者所在位置栅格化为俯视图，运用卷积神经网络和逐步优化栅格化方式，达到高精度和实时性的预测效果。
self-driving vehiclepredictionvulnerable road usersdeep learningreal-time inference
发现论文，激发创造
  • 使用深度卷积神经网络进行自动驾驶的多模态轨迹预测

    自动驾驶系统面临着交通行为不确定性高等问题，本文提出了基于深度卷积神经网络的多轨迹交通演算方法，能够精确地预测交通行为并评估它们的概率，此方法也已成功应用于自动驾驶车辆中。

    Sep, 2018

  • 自动驾驶中交通参与者短期运动预测的不确定性感知

    我们提出了一种基于深度学习的方法来预测自动驾驶车辆周围交通参与者的未来状态，并考虑和捕捉预测任务的固有不确定性，该方法包括当前世界状态和每个参与者的栅格图像作为输入，实验结果表明该方法具有显著优势，并在实际自动驾驶车辆上成功测试。

    Aug, 2018

  • 深度运动学模型用于运动学合理车辆轨迹预测

    本文提出了一种基于深度学习的自动驾驶技术中交通行为预测方法，有效地解决了现有方法中可能出现的运动规律异常及预测轨迹子优问题，表现优于现有技术。

    Aug, 2019

  • 地图学习：自动驾驶的视觉常识

    本文提出了一种基于车载摄像头图像的道路布局推断模型，同时构建了一个路况数据集，可以将导航地图的元数据与 Google 街景图像匹配以提供标签，并利用深度卷积网络训练该模型，结果表明该方法可用于提升基础设施安全性。

    Nov, 2016

  • 基于时空 DenseNet 的自主地面车辆的行人实时意图预测

    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。

    Apr, 2019

  • 使用鸟瞰图表示和深度学习在高速公路上进行车辆轨迹预测

    本文利用鸟瞰图和卷积神经网络预测高速公路场景中的车辆轨迹，使用 U-net 模型作为预测核心，发现使用高斯表示车辆的 U-net 模型是性能最好的配置，预测误差比基准方法降低了 50%。

    Jul, 2022

  • 易受伤的道路用户侦测与安全增强：一项综合调查

    本研究综述了当前弱势道路用户安全技术的最新进展，重点涉及弱势道路用户交通事故、通信网络、传感器数据质量和相关数据集，以及弱势道路用户安全技术的进展和需求领域。

    May, 2024

  • 利用 GAN 和可微分的轨迹光栅化技术改善鸟瞰模型中交通参与者的移动预测

    本文提出了一种新的基于栅格化的条件生成对抗网络结构，用于预测自动驾驶车辆周围交通参与者的运动情况，该方法在真实世界的大规模数据集上的表现优于基于生成对抗网络的其他算法。

    Apr, 2020

  • 预测城市变化对行人和道路安全的影响

    本文研究了如何利用历史事故数据和街景图像自动预测城市干预对事故发生率的影响，结果显示可以利用机器学习工具优先考虑有针对性的城市干预措施，从而提高行人和车辆的安全性。

    Feb, 2022

  • 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