MMAug, 2020

基于不确定性的时空关系学习在交通事故预测中的应用

PDF
TL;DR本研究提出了一个基于不确定性的事故预测模型，其中利用图卷积和循环神经网络进行关系特征学习，利用贝叶斯神经网络处理潜在关系表示的本质变异性，并使用新的 CCD 数据集验证了该模型在普通和新编译数据集上的表现优越性。
traffic accident anticipationdashcam videosspatio-temporal relational learningbayesian neural networkscar crash dataset
发现论文，激发创造
  • DRIVE: 基于深度强化学习的事故预测与视觉解释

    本文提出了一种基于深度强化的交通事故预测方法 DRIVE，通过模拟仪表盘观察环境中的视觉注意机制和使用奖励机制改进强化学习算法来提高决策能力，进而实现较高准确性的预测。

    Jul, 2021

  • 基于上下文视觉转换器的交通事故风险预测

    本文提出了一种通过上下文视觉变换器进行端到端训练的新框架，该框架可以有效地推理有关问题的空间和时间方面，同时提供准确的交通事故风险预测，并在两个不同地理位置的大规模交通事故数据集上优于现有技术。

    Sep, 2022

  • 使用自适应损失和大规模事故数据库预测交通事故

    本文研究交通事故的预测，并提出了 AdaLEA 和自注释数据库等方法，在实验中取得了较好的平均精确度和在接近碰撞时间方面更早的预测时间。

    Apr, 2018

  • 预测交通事故的强化学习

    提出在自动驾驶的过程中采用双演员和规范化评论家 (DARC) 方法进行早期事故预测，该方法基于强化学习模型，可以提高事故预测的精度和提前量，从而显著提高自动驾驶的安全性。

    Dec, 2022

  • 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

  • 自主驾驶碰撞风险评估的深度预测模型

    本文研究了一种在自主驾驶和辅助驾驶中用于碰撞风险评估的预测方法，利用深度预测模型从传统视频流中预测即将到来的事故，并在决策制定过程中引入了时间信息、多模态信息以及任务固有的不确定性。通过使用基于贝叶斯卷积 LSTM 的深度预测模型，实验表明当多个摄像头作为输入源时，该方法能够较为准确地预测即将发生的事故。

    Nov, 2017

  • 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

  • 第一人称视角视频的无监督交通事故检测

    本文提出了一种基于未监督学习的方法，通过预测交通参与者未来位置并监测三种不同策略的预测准确度和一致性来检测仪表板安装的摄像头视频中的交通事故。实验结果表明，该方法优于最先进的方法。

    Mar, 2019

  • 一种记忆增强的多任务协作框架，用于无监督驾驶视频中的交通事故检测

    通过多任务协作的记忆增强框架（MAMTCF）来无监督地检测驾驶视频中的交通事故，同时对外观变化和目标运动建模，取得了比现有方法更好的性能。

    Jul, 2023

  • DeepTransport: 学习交通状况预测的时空依赖关系

    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