通过使用图形来构建一个有意义的嵌入空间,我们的方法展示了场景的连续映射以及基于嵌入结果形成主题相似群集,从而在后续测试过程中识别相似场景,从而减少冗余测试运行。
Sep, 2023
本研究提出了一种新颖的基于文本的交通场景表示方法,并使用预训练语言编码器进行处理。我们展示了文本表示与传统光栅图像表示结合可以产生描述性的场景嵌入。在 nuScenes 数据集上对我们的预测进行了基准测试,并与基准模型相比显示了显著改进。消融实验结果表明,文本和光栅图像的联合编码器优于各自编码器,证实了两种表示方法具有互补的优势。
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
通过离散序列建模方法,我们研究了自动驾驶开发中模拟基于记录驾驶日志的动态驾驶场景的挑战。使用简单的数据驱动分词方案,将轨迹离散化到厘米级分辨率,并采用类似 GPT 模型的编码器 - 解码器来建模车辆、行人和骑车人在驾驶场景中的互动。通过在模型中抽样场景,我们展示了该模型具有最先进的真实性,且在 Waymo Sim Agents Benchmark 上超越先前的工作,其中真实性值成功提高了 3.3%,与其他模型相比,互动度提高了 9.9%。我们还在完全自动驾驶和部分自动驾驶环境中分析了我们的建模选择,并展示了我们的模型学到的表示可以快速适用于改进 nuScenes 的性能。此外,我们还对模型的参数数量和数据集规模进行了可扩展性评估,并利用模型得出的密度估计量化了上下文长度和时间间隔内交互对于交通建模任务的重要性。
Dec, 2023
本文使用多层 seq-2-seq 自动编码器以及分层聚类来进行精确的驾驶模式分析,得出特定训练数据集的可靠分类器。研究表明,该方法显著优于基准性能。
May, 2022
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
本文通过将基于区域提案算法生成的图像块的 CNN 特征应用于 VLAD 编码再进行空间金字塔编码,从而实现在 10 种交通场景分类上的应用。
Jul, 2017
提出了一种名为 DeepTransport 的端到端框架,其中采用卷积神经网络和循环神经网络来获取传输网络拓扑内的时空交通信息,并引入注意力机制以对齐空间和时间信息,并构建并发布实时大规模交通状况数据集,经实验证明,该方法在时空领域捕捉了复杂的关系,相对于传统的统计方法和最先进的深度学习方法,取得了显著的性能提升。
Sep, 2017
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
本研究中,提出了一种编码器 - 解码器序列学习框架,通过适当集成三种隐含但本质的因素来提高交通预测的准确性:离线地理和社会属性、道路交叉口信息和在线人群查询。对来自百度的真实数据集的定性和定量实验验证了我们框架的有效性。
Jun, 2018