Jul, 2022

使用鸟瞰图表示和深度学习在高速公路上进行车辆轨迹预测

PDF
TL;DR本文利用鸟瞰图和卷积神经网络预测高速公路场景中的车辆轨迹，使用 U-net 模型作为预测核心，发现使用高斯表示车辆的 U-net 模型是性能最好的配置，预测误差比基准方法降低了 50%。
vehicle trajectoriesbird's eye viewconvolutional neural networksu-net modelprediction error
发现论文，激发创造
  • 优化自车轨迹预测：图增强方法

    使用鸟瞰图和图神经网络等方法代替深度神经网络，实现对自动驾驶系统中车辆轨迹进行准确预测。

    Dec, 2023

  • 一种端到端的汽车轨迹预测框架

    本文提出了一种新颖的端到端架构，该架构接受原始视频输入并输出未来车辆运动轨迹预测，以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置，然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模，从而达到了高精度的未来车辆轨迹预测，实验结果表明，该算法优于目前各种先进模型。

    Apr, 2023

  • 将车辆映射到鸟瞰图中的学习

    本文提出了一种语义感知变换的方法，将仪表板摄像机视图中的检测结果映射到场景的更广泛、俯视的占用图中，通过大量的合成数据和深度神经网络的训练实现，结果表明该模型能够在真实世界的数据上进行泛化。

    Jun, 2017

  • 基于环视摄像头鸟瞰的联合车辆分割和自车轨迹预测

    基于多个深度学习技术的视觉感知线路预测系统可用于自动驾驶车辆，通过管辖车辆分割和自车轨迹预测的联合任务，综合表示周围车辆的鸟瞰视角并使用时空概率网络进行轨迹预测。

    Dec, 2023

  • 利用高清地图和高效卷积神经网络预测易受伤路用户的运动

    本文使用深度学习方法预测道路的弱势交通参与者，通过将高清地图和参与者所在位置栅格化为俯视图，运用卷积神经网络和逐步优化栅格化方式，达到高精度和实时性的预测效果。

    Jun, 2019

  • 一种新颖的深度神经网络在自动驾驶车辆轨迹预测中的应用：基于速度向量场

    综合数据驱动的学习法和从流体流动动力学概念中生成的速度矢量场，本文提出了一种新的轨迹预测技术，将矢量场作为卷积 - 递归深度神经网络的附加输入，帮助预测基于俯视图场景的未来轨迹。该方法在 HighD 数据集上与最先进的方法进行了比较，展示了在短期和长期（5 秒）时间范围内，速度矢量场的引入提高了预测准确性，并且准确性随着观测窗口的减小而保持一致，缓解了对准确轨迹预测所需的过去观测历史的要求。

    Sep, 2023

  • 使用多模态数据的人工智能驱动的道路网络预测

    本研究提出了一种创新的深度学习自动道路检测方法，通过融合低分辨率卫星图像和 GPS 轨迹数据的策略，对早期和后期融合进行深入研究，并使用不同的融合设置评估基于深度学习的道路检测性能。研究结果显示，ResUnet 模型在道路提取任务中优于 U-Net 和 D-Linknet，以及使用低分辨率 Sentinel-2 数据的基准研究，从而为自动道路检测领域作出贡献，并为各种应用中的数据融合方法提供了新的见解。

    Dec, 2023

  • MotionNet: 基于鸟瞰图的自动驾驶联合感知与运动预测

    本文提出了一种高效的深度学习模型 MotionNet，通过 LiDAR 扫描的数据实现自动驾驶中的感知和运动预测，该模型基于一种新颖的时空金字塔网络，可以提取深层次的时空特征，并且通过空间和时间一致性约束进一步规范了模型的训练。实验证明，该方法的性能明显优于现有的基于场景流和 3D 目标检测的方法，有望在自动驾驶中提供备用方案和对运动规划员提供补充信息。

    Mar, 2020

  • 驾驶员安全：短期轨迹预测在自动驾驶车辆中的作用

    本研究使用 CARLA 模拟器开发了一个合成数据集，并使用卷积神经网络创建了一种端到端的短期轨迹预测模型，使得自动驾驶汽车能够更好地应对复杂情境，如行人穿越马路，车辆超车等，同时免去了对环境的显式编码。

    Jul, 2023

  • 基于深度透视变换的鸟瞰图车辆定位

    自动驾驶汽车的导航系统需要准确理解周围环境，本文提出了一个替代方法，通过生成场景的顶视图，提取其他车辆相对于自我车辆的距离和方向，同时通过将透视图 RGB 图像转换为鸟瞰地图的方法，有效捕捉了自动驾驶汽车所需的重要环境信息。

    Nov, 2023