Nov, 2020

感知、关注和驾驶：学习空间关注以实现安全自动驾驶

PDF
TL;DR本文提出一种全端到端的自动驾驶网络，采用稀疏注意力模块，学习自动关注输入的重要区域。注意力模块专门针对运动规划，而先前的文献只在感知任务中应用注意力。直接学习针对运动规划的注意力掩模显著提高了规划器的安全性，并且可视化注意力提高了全端到端自动驾驶的可解释性。
self-drivingsparse attention modulemotion planningplanner safetyinterpretability
发现论文，激发创造
  • 密集交通中自主决策的社交关注

    提出了一种基于注意力机制的学习体系结构，能够处理高密度交通场景下的交通管理问题，并最大程度地保证精确性和紧凑性，从而捕捉可视化和定性解释的交互模式。

    Nov, 2019

  • 带有注意力机制的类脑认知模型在自动驾驶汽车中的应用

    本文提出了一种名为带有注意力的脑启发式认知模型 (CMA) 的自动驾驶模型，该模型可以模拟人类视觉皮层和认知空间，结合实时更新的认知地图来实现注意机制和长短期记忆，同时解决了检测自由空间和当前和相邻车道边界、估算障碍物距离和车辆姿态、学习从人类驾驶员处获取驾驶行为和决策的三项任务，并可以接受外部导航指令。

    Feb, 2017

  • 探索注意力 GAN 用于车辆运动预测

    本研究使用自注意力模块来计算社交和物理上下文情境，采样白噪声，探索了生成模型中注意力的影响，并在 Argoverse 运动预测基准 1.1 上取得了竞争力的单峰结果。

    Sep, 2022

  • 引导端到端驾驶模型的注意力

    通过使用显著语义地图进行训练期间添加损失项，引导注意力可以改善自动驾驶模型的驾驶质量，并获得更直观的激活图，特别是在数据和计算资源有限的情况下。

    Apr, 2024

  • 通过可解释的语义表示感知、预测并规划安全运动

    本论文提出了一种全新的端到端可学网络，它可以对自动驾驶车辆进行联合感知、预测和运动规划，并产生可解释的中间表示。它的运动规划成本与感知和预测估计一致，通过使用一种新的可微分语义占用表示法作为运动规划进程的成本实现。通过从人类示范中端到端学习，用大规模手动驾驶数据集和闭环模拟实验表明，所提出的模型在模仿人类行为和产生更安全的轨迹方面明显优于现有技术。

    Aug, 2020

  • 通过可视化因果关注实现自动驾驶车辆的可解释性学习

    本研究探讨了可解释的自动驾驶车辆中使用视觉解释的方法，使乘客、保险公司、执法机构和开发人员能够理解神经网络控制模型的行为，该模型采用了视觉关注模型进行训练，并应用因果过滤步骤来确定哪些输入区域实际上影响了输出。该方法在三个数据集上进行了有效性研究，证明了其在自动驾驶行为和人类驾驶行为中的应用价值。

    Mar, 2017

  • 通过学习端到端的视觉关注来解释自动驾驶

    通过使用注意力模型来提高 CARLA 驾驶模拟器的性能，同时通过模仿学习训练代理人来解释自动驾驶中深度学习无法解释的决策问题。

    Jun, 2020

  • 车道关注：通过学习车道上的注意力预测车辆的运动轨迹

    通过关注机制和 LSTM 网络，该文研究了自动驾驶车辆中驾驶员意图与车辆位置变化的关系，并将其用于预测，采用非欧几里得图形和图神经网络等处理方式比其他最先进技术表现更好，此模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。

    Sep, 2019

  • SpotNet: 自注意力多任务网络用于目标检测

    本研究旨在通过多任务学习方式训练一个网络实现视觉注意力，使用半监督学习方式生成前 / 背景分割标签，进而训练目标检测模型，利用分割地图实现自我注意机制，获得在交通监控领域两个数据集上显著的 mAP 改进，UA-DETRAC 和 UAVDT 数据集上均实现了最先进的结果。

    Feb, 2020

  • 可解释的时空注意力视频动作识别

    通过引入可解释的时空注意力机制来提高视频动作识别的准确性和模型解释性，并使用一组正则化器对其进行约束。利用弱监督的方式仅使用分类标签，模型不仅提高了准确性，还能时空自动定位区分性区域。

    Oct, 2018