自主驾驶车辆的交通控制手势识别
我们提出了一种模型适应的方法来个性化训练 CNNLSTM 模型,提高识别准确性并减少数据需求,在驾驶环境中改进动态手势识别的效率和准确性,从而增强车内交互的安全性、便利性,以及驾驶员的体验和对系统的信任。通过使用飞行时间相机的硬件增强和数据增强、个性化适应以及增量学习技术的算法增强,我们评估了方法的识别准确性,达到了 90%,并展示了个性化适应和增量学习对以用户为中心的设计的有效性。
Oct, 2023
本研究提出了一种联合摄像机和雷达方法,使自动驾驶车辆能够了解和响应日常交通中的人类手势,通过处理雷达和摄像机数据,利用融合神经网络提高手势识别的准确性。
Feb, 2023
本研究使用多种特征提取方法和机器学习算法,使用 JAAD 数据集为基础,聚焦于行人运动和头部方向的检测,达到了 72% 和 85% 的准确率,能有效解决自动驾驶和高级驾驶辅助系统中的行人意图和行动识别问题。
Oct, 2018
为了填补这一空白并在更广泛的应用领域中开展研究,我们在室外环境中记录了一组 UAV 手势信号数据集。数据集中包含适用于基本 UAV 导航和指令的 13 个手势,共计 119 个高清视频剪辑,包含 37151 个帧,由基于姿势的卷积神经网络(P-CNN)计算得到的手势识别性能为 91.9%。
Jan, 2019
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
该论文介绍了一种基于博弈论的交通模型,该模型可以用于测试、比较和校准各种自主车辆决策和控制系统,并提供了一个交通仿真环境来优化自主车辆控制系统的参数。
Aug, 2016
通过基于条件扩散的广义、基于点的可控交通场景生成框架 Dragtraffic,使用回归模型提供初始解决方案,并通过条件扩散模型的细化过程来确保多样性,引入用户自定义上下文以确保高可控性,实验证明 Dragtraffic 在真实驾驶数据集上的真实性、多样性和自由度方面优于现有方法。
Apr, 2024
本研究关注应用先进的技术方法提高交通事故的检测,通过引入一种创新的综合数据集来增强智能城市中的计算机视觉和动作识别系统,旨在填补现有研究的空白,提供用于交通事故检测的基准数据集,以推动学术研究并提升实时事故检测应用,从而实现更安全、更高效的智能城市环境的发展。
Jan, 2024