驾驶员识别的卷积循环神经网络模型中的驾驶风格表示

Feb, 2021

驾驶员识别的卷积循环神经网络模型中的驾驶风格表示

Driving Style Representation in Convolutional Recurrent Neural Network Model of Driver Identification

Sobhan Moosavi, Pravar D. Mahajan, Srinivasan Parthasarathy, Colleen Saunders-Chukwu, Rajiv Ramnath

TL;DR本文提出了一种深度神经网络结构 D-CRNN，通过结合卷积神经网络（CNN）和循环神经网络（RNN）的优势，建立了高保真度的驾驶风格表示，通过几个大型实时数据库的广泛实验和与先进的深度学习和非深度学习解决方案的比较，证明了这些技术在驾驶员识别方面的有效性。

Abstract

Identifying driving styles is the task of analyzing the behavior of drivers in order to capture variations that will serve to discriminate different drivers from each other. This task has become a prerequisite for a variety of applications, including usage-based insurance, driver coach

driving styles deep-neural-network architecture driver identification cnn rnn

发现论文，激发创造

自动驾驶直接感知的快速循环全卷积神经网络

通过提出三个小型，计算成本较低的深度端到端神经网络模型，直接从输入图像中产生驾驶控制信号，并利用深度和薄型全卷积网络与递归神经网络以及低参数计数等方法来解决复杂的端到端回归任务，预测转向和加速度指令，并包括分类优化层，以允许网络隐式地学习图像语义。我们证明，与最新的可比较的端到端驾驶网络相比，所得到的网络使用了 3 倍少的参数以及比 AlexNet 变化小 500 倍，同时维持对于过拟合的稳健性。

Nov, 2017

通过卷积神经网络实时检测驾驶员注意力分散以增强道路安全

通过比较分析卷积神经网络结构，本研究旨在识别出最有效的实时检测驾驶员分心的模型，以提升车辆安全系统的能力，从而预防因不注意引发的事故。

May, 2024

领域对抗循环神经网络实现强健的无主体行驶机动预测

通过深度学习和计算机视觉技术，结合领域适应性实现驾驶行为几秒钟内的精准预测，提高驾驶辅助系统的性能和应用范围。

Feb, 2019

基于表示学习和基于组的训练的无监督驾驶行为分析

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

扩散卷积循环神经网络：基于数据的交通预测

本文提出了一种用于交通预测的新型深度学习架构 Diffusion Convolutional Recurrent Neural Network (DCRNN)，通过在有向图上进行双向随机游走来捕捉交通流的空间依赖性，通过编码器 - 解码器结构和计划采样来捕捉时间依赖性。在两个真实的大规模交通数据集上评估这个架构并观察到相对于现有技术的改进幅度在 12％-15％之间。

Jul, 2017

路规：使用语义交互的卷积模型预测驾驶行为

这篇论文提出了一种基于深度卷积模型的统一表征方法，该方法在使用 3D 感知信号和语义地图的基础上，通过深度卷积模型，学习了实体和场景之间的交互，并能够有效地预测自动驾驶系统中实体的行为表现。

Jun, 2019

交通场景的深层表示学习与聚类

本研究提出了两种数据驱动的自动编码模型来学习车辆交通场景的潜在表示，并显示了如何使用潜在场景嵌入来聚类交通情况并检索相似交通情况。

Jul, 2020

将交通视为图像：用深度卷积神经网络对大规模交通网络速度进行预测

本文提出了一种基于卷积神经网络的方法，将交通数据通过二维时间空间矩阵转化成图像进行处理，并预测大规模网络流量，实验结果表明该方法在处理大规模交通网络数据方面表现出较高的准确性。

Jan, 2017

使用来自视觉 - 语言模型的通用表示进行驾驶员活动分类

使用视觉 - 语言模型的通用表征，在司机活动分类中利用语义表示延迟融合神经网络（SRLF-Net）的新方法，通过对多个视角的同步视频帧进行处理，对每个帧进行预训练的视觉 - 语言编码器进行编码，并融合生成类别概率预测，利用对比学习的视觉 - 语言表示，方法在自然驾驶行为识别数据集上得到了鲁棒的性能，证明视觉 - 语言表示为司机监控系统提供了准确性和可解释性。

Apr, 2024

利用图卷积循环网络准确检测危险驾驶行为以增强道路安全

提出了一种基于图卷积长短期记忆网络模型的可靠的驾驶行为检测系统，它使用公共传感器增强了传感器数据模型的精度和实用性。同时，我们引入了非公共传感器用于评估模型的有效性，结果显示该模型在两种情况下的准确率均表现出一致性和高精度，这个系统可以有效地检测危险和不安全的驾驶行为，具有提高道路安全性和减少由驾驶员错误引起的事故的潜在应用。

May, 2023