ICCVSep, 2021

自动驾驶中的边界案例描述：目标与挑战

PDF
TL;DR自动驾驶车辆的分布需要处理各种意外和可能危险的情况，这些情况被称为边缘情况，而这些情况也是机器学习模型的开发所需数据的重要组成部分。然而，在大规模数据集中只有有限数量的边缘情况数据，这使得它们在机器学习的背景下具有挑战性。本文旨在介绍机器可解释的边缘情况描述的挑战和目标。
发现论文，激发创造
  • 高度自动化驾驶感知角落案例的应用驱动概念化

    该研究旨在提供一个基于应用需求的自动驾驶车辆中的异常情况检测系统，主要针对机器学习、传感器模态、数据采集等应用和研究领域进行研究和探讨。

    Mar, 2021

  • 自动驾驶角落案例检测

    该研究论文提供了 “corner case” 的定义，并提出了一种既可在线使用，也可脱机筛选、重复训练机器学习算法的系统框架，该系统能够处理自然移动车辆前置摄像头的视频信号，并输出 “corner case” 分数。

    Feb, 2019

  • 半自动化的角落案例检测和评估流程

    为了证明自动驾驶汽车可以安全、稳健地处理多种不同情况的交通，提出了一个通过 KI Absicherung 本体论将集体专家知识描述转化为场景和情境来提取自动驾驶数据集中的极端案例，并评估检测网络性能的流程。

    May, 2023

  • 空间、时间与交互：自动驾驶轨迹数据集中的极端案例分类

    本文通过识别异常轨迹和提出分类法等措施，阐述了车道数据分析在高度自动化驾驶中的重要性以及机器学习模型和异常案例之间的关系。

    Oct, 2022

  • 基于不确定性的实例分割角点检测标准

    基于预测不确定性的角落案例准则可以检测无需依赖正确答案数据的对象实例分割模型的不确定性角落案例，并提供一种角落案例决策函数，可以将每个物体区分为真正阳性（TP）、定位和 / 或分类角落案例，或虚假阳性（FP），同时提出了迭代训练循环的初步结果，超过基准，在训练数据集中添加的数据是基于角落案例决策函数选择的。

    Apr, 2024

  • 自动驾驶计算系统：现状和挑战

    本研究论文综述了自动驾驶的最新计算系统、性能指标、核心技术和挑战，并旨在吸引计算机和汽车领域的关注和更多研究。

    Sep, 2020

  • CC-SGG：利用学习到的场景图生成边际案例场景

    通过使用异构图神经网络的新方法，将常规驾驶场景转化为极端案例，然后导入模拟生成关键情况，以提高自主驾驶车辆在独特情况下的安全运行能力。

    Sep, 2023

  • 端到端自动驾驶：挑战与前沿

    本文系统分析了 250 多篇论文，涵盖了自主驾驶的动机、路线图、方法论、挑战和未来趋势，并深入探讨了多模态、可解释性、因果混淆、健壮性和世界模型等若干关键挑战，同时讨论了基础模型和视觉预训练的最新进展，以及如何在端到端驾驶框架中整合这些技术。

    Jun, 2023

  • 智慧城市和社区中的人工智能视角，以实现道路车辆自动化和智能交通控制

    本文介绍了人工智能在智慧城市和社区 (SCC) 中的应用，并概述了用于交通控制的基于人工智能的技术，包括感知、智能交通控制和驾驶员建模。此外，文中还提到了数据注释的挑战和解释性的问题。

    Apr, 2021

  • 自动驾驶车辆的计算机视觉问题、数据集和现状

    本研究通过对 AI，计算机视觉和自动驾驶领域进行综述，提出了本领域的问题，数据集和方法，分析了当前的研究状况和历史上最重要的文献，包括自动驾驶的认知，重构，运动估计，跟踪，场景理解和端到端学习，并分析了在 KITTI，MOT 和 Cityscapes 等数据集上的性能，讨论了该领域的挑战和未来方向。

    Apr, 2017