May, 2022

利用本体论对自动驾驶的正式化和关键性识别

PDF
TL;DR本文提出知识表示与推理技术在自动驾驶汽车领域的应用。利用本文提出的 6 层模型创建了一个正式的场景模型，并利用本体论对交通场景因素进行建模和推理，得出交通状况关键因素。我们采用联合描述逻辑和规则推理器，并开展了一项基于大规模无人机数据集的实验评估。
发现论文，激发创造
  • 自动驾驶危急情况解释中的因果关系理解

    为确保自动驾驶系统的安全运行，该研究引入了因果查询的正式化，建立了抽象的安全原则，从而降低与关键影响因素相关的临界性，并对数据采集、模型质量等方面做出了贡献。

    Oct, 2022

  • 交互感知概率预测的情境可迁移语义图推理

    本文提出了一个基于语义知识的预测框架，通过将驾驶场景建模为时空语义图，并推理这些图之间的内部关系，实现对自动驾驶汽车的行为预测。框架不仅实现了最先进的性能，而且具有良好的零样本迁移性。

    Apr, 2020

  • 对危险驾驶场景的基于知识的逻辑的鲁棒性验证

    基于知识的逻辑从公共交通事故数据集中提取出了定义危险驾驶形式的知识，这对于识别交通危险非常关键，可以监督和改进安全关键系统中的人工智能模型。同时，我们使用自动验证方法验证了这种逻辑的健壮性。

    Dec, 2023

  • 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

  • 基于知识图谱的自动驾驶方法综述

    本文提出了基于知识图谱和本体论的自动驾驶解决方案，涵盖了本体学习、感知、场景理解、运动规划和验证等五大主要领域，并讨论了当前的挑战和未来研究方向。

    Sep, 2022

  • 利用背景知识进行交通情境的鲁棒推理

    本文讨论交通理解的文本方法，采用三种基于知识的方法进行针对交通情境的零 - shot 问答，在大量语料库和知识图中提取常识知识。作者构建两个文本多项选择问答集来评估交通领域的因果推理和类似于人类驾驶执照测试的领域知识，其中 Unified-QA 是最好的方法之一，而 DPR+Unified-QA 的知识提取方式更为高效。

    Dec, 2022

  • 面向本体机器学习的鲁棒训练数据集：紧急道路车辆检测案例研究

    通过验证训练数据集的领域完整性和图像质量鲁棒性，提高安全关键领域中机器学习模型的可信度和鲁棒性，并通过紧急道路车辆领域的本体构建实验进行了概念性证明。

    Jun, 2024

  • SemanticFormer：使用知识图谱的全局语义交通场景表示方法用于轨迹预测

    本文介绍了一种使用混合方法通过对语义交通场景图进行推理来预测多模态轨迹的方法 SemanticFormer。该方法从知识图谱中提取语义元路径的高级信息，并通过多个注意机制的新型流水线对其进行处理，以预测准确的轨迹。所提出的架构包括一个分层异构图编码器，可以捕捉代理之间及代理与道路元素之间的时空和关系信息，以及一个使用概率融合不同编码并解码轨迹的预测器。最后，一个改进模块评估轨迹和速度配置文件的准许元路径，以获得最终的预测轨迹。与现有方法相比，对 nuScenes 基准测试的评估显示出改进的性能。

    Apr, 2024

  • 学习描述逻辑本体的复杂性

    本文介绍了用于生命科学领域相关知识表示的本体论。提供了从计算学习理论中学习模型的正式规范，同时回顾了在这些模型中学习轻量级描述逻辑（DL）本体论的复杂性结果，最后，我们强调了文献中提出的其他学习 DL 本体论的方法。

    Mar, 2021

  • 面向 DL-Ontology 的基于论证的法律推理方法

    本研究探讨了如何在法律智能领域中，使用结构化论证框架和 DL 本体论实现推理，并提供了对推理结果解释的正式定义。同时，以自动驾驶汽车设计为例，证明了该理论可以处理基于不一致本体的推理问题。

    Sep, 2022