AAAIMay, 2022

基于表示学习和基于组的训练的无监督驾驶行为分析

PDF
TL;DR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。
driving behavior monitoringdriving pattern analysistime seriesautoencoderhierarchical clustering
发现论文，激发创造
  • 自主驾驶的基于行动的表示学习

    该研究探讨了利用人类驾驶产生的数据对自动驾驶系统进行改进的方法，提出了利用基于行动的驾驶数据进行学习表示的模型，该模型在弱注释图像方面表现出色，并且优于纯粹的端到端驾驶模型，同时更具有可解释性。

    Aug, 2020

  • 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

  • 驾驶员识别的卷积循环神经网络模型中的驾驶风格表示

    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。

    Feb, 2021

  • 朝向驾驶场景理解：用于学习驾驶行为和因果推理的数据集

    介绍了 Honda Research Institute Driving Dataset（HDD），这是一个挑战性数据集，包括 104 小时的人类真实驾驶行为。同时还提出了一种新的注释方法来研究未剪辑数据序列中的驾驶行为，通过训练和测试基线算法，展示了所提出任务的可行性。

    Nov, 2018

  • 学习模拟合作驾驶任务的潜在特征

    通过对司机人群行为偏好数据的建模和模拟，我们构建了一个智能辅助驾驶员驾驶干预策略的轻量级仿真环境，并使用该环境来测试不同驾驶员类型的区分能力和干预策略的效果。

    Jul, 2022

  • 自动编码 GPS 数据揭示个体和集体行为

    通过个体轨迹数据进行个体和集体行为分析的创新通用方法，用于研究法国渔船的海洋生物多样性保护和生态系统为基础的渔业管理，通过卷积神经网络构建轨迹的低维潜在表示，并使用 Bhattacharyya 系数比较轨迹的潜在分布，以及使用接近性图和扩展的随机块模型对多个网络进行个体聚类。

    Dec, 2023

  • 通过循环图注意力网络检测社交不规范的公路驾驶行为

    本研究提出了基于自编码器和循环图注意力网络的异常驾驶行为检测方法，可以检测到在各种车辆交互和时空变化下，与周围车辆有所偏差的异常现象，其效果在仿真和实际交通数据上都获得了最佳表现。

    Apr, 2023

  • 航空观测中的快速机动恢复：轨迹聚类与异常点剔除

    使用多智能体仿真实现具有可信行为的道路用户模型的问题尚未解决。数据驱动方法是通过推断在真实情况中可能存在的行为，从大量观察中获取不同类型的轨迹，并使用其分类来训练能够推测这种行为的模型。该研究在考虑车辆和两种不同类型的弱势道路用户的基础上，提出了轨迹聚类方法，并评估了从原始数据中提取明确定义的轨迹类别的方法，同时将 “离奇” 或不完整的轨迹与在任何场景下都具有代表性和完整的轨迹分离开来。然后通过三个不同的交叉口和一个环形交叉口作为测试环境，使用开发的方法进行测试。所得到的轨迹簇可以用于预测或学习任务，或者如果由离群值组成则可以舍弃。

    Jul, 2024

  • 面向分布感知的自主驾驶安全目标预测和符合模型规划

    本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。

    Dec, 2022

  • 基于数据驱动的半监督机器学习与代理安全度量的异常驾驶行为检测

    利用 Hierarchical Extreme Learning Machines 和 Surrogate Safety Measures 开发了半监督机器学习方法，准确检测出鉴定的异常驾驶行为，通过广泛实验验证了该方法在各种指标上的有效性。

    Dec, 2023