CVPRJun, 2019

路规：使用语义交互的卷积模型预测驾驶行为

PDF
TL;DR这篇论文提出了一种基于深度卷积模型的统一表征方法，该方法在使用 3D 感知信号和语义地图的基础上，通过深度卷积模型，学习了实体和场景之间的交互，并能够有效地预测自动驾驶系统中实体的行为表现。
self-driving systems3d perceptionsemantic mapsdeep convolutional modelsdriving behavior
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

  • 交互感知概率预测的情境可迁移语义图推理

    本文提出了一个基于语义知识的预测框架，通过将驾驶场景建模为时空语义图，并推理这些图之间的内部关系，实现对自动驾驶汽车的行为预测。框架不仅实现了最先进的性能，而且具有良好的零样本迁移性。

    Apr, 2020

  • 复杂交通场景分类的图卷积网络

    通过建立场景分类方法，可以减少获得自动驾驶系统（ADS）安全性的统计显著证据所需的时间。我们提出了一种能够模拟车辆与环境以及其他交通参与者之间交互的复杂交通场景分类方法，利用图卷积网络来建模这些场景的空间和时间特征，并在覆盖不同驾驶环境并逐帧进行注释的数据集上进行训练，为未来关于逐帧复杂场景分类的研究提供了有前景的基线。

    Oct, 2023

  • 基于卷积社交池化的车辆轨迹预测

    使用卷积社交汇集的 LSTM 编码器 - 解码器模型可以使得机器人更好地学习掌握复杂路况下的周围车辆的运动，并在多种交通场景中获得了不错的预测效果。

    May, 2018

  • 视频场景理解的概率未来预测

    本文提出了一种新颖的深度学习架构，用于从视频中进行概率未来预测。该模型可以预测城市场景中的未来语义、几何和运动，并将此表示用于控制自动驾驶车辆。

    Mar, 2020

  • 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

  • 基于关系的交通场景图的运动预测

    通过建立空间语义场景图和使用图神经网络来探讨 Traffic participants 之间的关系对于预测自动驾驶中的加速度和减速度等相关参数具有重要作用。这种建模方式不仅可以提高预测结果，也可以通过包含先前场景的附加信息提高预测性能。

    Nov, 2022

  • INFER: 用于未来预测的中间表示

    通过使用语义信息，我们提出了一种中间表示形式，并训练了一个自回归模型来准确预测城市道路交通参与者的未来路线，该表示形式适用于多目标跟踪等领域，并且可以泛化到各种城市和路况。

    Mar, 2019

  • 城市环境中基于交互感知的行为概率预测

    本研究提出了基于动态贝叶斯网络的概率性交通预测模型，结合马尔科夫模型和上下文感知的车辆运动模型，可以更精准地预测未来的交通路径和解决交互问题。相较于基于物理学和地图的方法，该模型表现更加优越。

    Apr, 2018

  • 深度转向：从时空视觉线索中学习端到端驾驶模型

    本文研究利用低成本车载摄像头进行自主驾驶算法，并通过深度神经网络将原始输入图像直接映射到方向盘角度的视觉模型，提出了一种结合空间和时间线索的模型，有助于解释学习到的模型，通过分析人类驾驶数据，比较了此模型与其他自主驾驶车辆状态先进模型的性能差异。

    Aug, 2017