Mar, 2020

道路行驶视频中物体重要性估计的交互图

PDF
TL;DR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。
object importance estimationhuman driving behaviorautonomous driving systemsinteraction graphgraph convolution
发现论文，激发创造
  • 路面行驶视频中以目标为导向的物体重要性估计

    本文针对车载自动驾驶视觉场景中的对象重要性评估问题，提出了一种新的基于视觉动态和驾驶目标的对象重要性估计框架，并通过实际交通路口数据集及人工标注数据对该框架进行了验证评估。同时，本文还探讨了使用对象重要性进行驾驶控制预测的可能性，并证明了该方法可以有效提升车辆的刹车预测准确性。

    May, 2019

  • 半监督学习在自动驾驶中的重要目标识别

    本文提出了一种基于二元分类、关系推理和半监督学习的重要物体识别方法，可用于智能车辆在复杂动态环境下的安全导航，并在公开数据集上得到验证。

    Mar, 2022

  • 重要性在于你的关注：自动驾驶的代理重要性预测

    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

  • GraphAD: 交互场景图用于端到端自动驾驶

    本文提出了 Interaction Scene Graph (ISG) 作为一种统一的方法，用于建模自动驾驶中的自车、道路代理和地图元素之间的相互作用，并在 nuScenes 数据集上进行评估，显示出较强的全栈驾驶任务性能优势。

    Mar, 2024

  • DRUformer: 提升驾驶场景中重要物体检测的驾驶关系自我理解

    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

  • 用图神经网络建模交通参与者交互

    该研究使用图表征交通场景，并运用了自然地考虑交通参与者之间相互作用的图神经网络模型来进行交通预测，评估了两种现有的图神经网络结构，并对特定情境进行了调整并表明该模型比不考虑相互作用的模型预测误差下降 30％，表明交互作用是重要的，并且该研究在交通预测系统中将 GNN 作为有价值的补充。

    Mar, 2019

  • 优化自车轨迹预测：图增强方法

    使用鸟瞰图和图神经网络等方法代替深度神经网络，实现对自动驾驶系统中车辆轨迹进行准确预测。

    Dec, 2023

  • GIN：自动驾驶中基于图形交互感知约束策略优化

    本文提出了一种基于图卷积网络的互动感知约束优化方法，通过同时训练运动预测和控制模块并共享一个包含社交上下文的潜在表示来鼓励安全驾驶和预测运动。实验结果表明，这种方法在 CARLA 城市驾驶模拟器上具有比基线更好的导航策略和运动预测性能。

    Jun, 2022

  • 使用图神经网络联合交互和轨迹预测自动驾驶

    本文提出了一种基于图神经网络的方法，通过显式建模相互作用来预测交通场景中车辆的未来动向，并采用自动标注函数来生成交互标签，从而有效地降低了轨迹误差。

    Dec, 2019

  • 利用风险模型进行复杂驾驶情况下的重要性筛选

    本文介绍了自动驾驶汽车的重要性过滤问题，并提出使用风险模型来过滤不重要的代理的解决方案。通过大规模实验证明，使用新型轨迹距离算法可以平衡系统性能，鲁棒性和效率。同时，本研究还提出了一种多重滤波器结构，采用多个过滤步骤，并为每个步骤推荐风险模型，以进一步提高系统鲁棒性。

    Mar, 2023