ECCVAug, 2022

利用动作识别网络进行车道变更分类与预测

PDF
TL;DR利用采集的视频数据，我们提出了一个包含两个行动识别方法的端到端框架，用于识别车道变更，并且在 PREVENTION 数据集上表现最佳，表明行动识别模型可以有效地提取车道变更动作；该论文还提出了一种更好地提取运动线索的方法。
autonomous driving systemlane change intentionsaction recognition modelsmotion cluesrgb video data
发现论文，激发创造
  • 用于周围车辆变道预测的双流网络

    利用两种视频动作识别方法对高速公路情境中的自动驾驶变道识别进行了预测，研究结果表明这些方法在 1 到 2 秒的时间范围内预测周围车辆的未来车道变更具有潜在的预测能力。

    Aug, 2020

  • 机器学习基于的自动驾驶车辆意图轨迹识别与预测

    本文介绍了一种基于深度学习的预测方法，用于自动驾驶车辆的变道行为，旨在促进安全的变道操作，从而提高道路安全。

    Feb, 2024

  • 基于车辆轨迹数据的车道变更意图识别的机器学习方法比较分析

    准确检测和预测车道变换过程可以帮助自动驾驶汽车更好地理解周围环境，识别潜在的安全危险并提高交通安全。本文侧重于车道变换过程，并比较了不同的机器学习方法在从高维时序数据中识别车道变换意图方面的性能。验证提出模型的性能，从 CitySim 数据集中提取了 1023 个车辆轨迹。对于车道变换意图识别问题，结果表明，集成方法减少了二型和三型分类错误的影响，具有 98% 的分类准确度。在不牺牲识别准确度的情况下，LightGBM 模型训练效率比 XGBoost 算法提高了 6 倍。

    Jul, 2023

  • 城市交通中行人动作和意图识别

    本研究使用多种特征提取方法和机器学习算法，使用 JAAD 数据集为基础，聚焦于行人运动和头部方向的检测，达到了 72% 和 85% 的准确率，能有效解决自动驾驶和高级驾驶辅助系统中的行人意图和行动识别问题。

    Oct, 2018

  • 级联卷积神经网络实现车道检测和分类

    本文提出了一种基于卷积神经网络 (CNNs) 的端到端系统，用于实时的车道边界识别、聚类和分类，使用了 TuSimple 数据集中 14336 个车道边界实例，并利用 8 个不同的类进行了标记。

    Jul, 2019

  • 使用深度神经网络从连续驾驶场景中进行鲁棒车道检测

    本论文提出了一种利用卷积神经网络模块和循环神经网络模块相结合的深度神经网络架构，以处理在单一图像中无法精确检测车道的情况，并将连续多个时间序列的 CNN 特征输入到 RNN 训练模型中，以成功预测车道。

    Mar, 2019

  • 三流网络用于增强动作识别

    该论文提出了两种基于 CNN 的体系结构，包括三种流，可以分别捕捉不同速率的空间和时间信息，并使用双向 LSTM 和注意力机制进一步提高模型性能，实现了人类动作识别任务的最先进表现。

    Apr, 2021

  • 车道关注：通过学习车道上的注意力预测车辆的运动轨迹

    通过关注机制和 LSTM 网络，该文研究了自动驾驶车辆中驾驶员意图与车辆位置变化的关系，并将其用于预测，采用非欧几里得图形和图神经网络等处理方式比其他最先进技术表现更好，此模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。

    Sep, 2019

  • ENet-21：用于车道检测的优化轻型卷积神经网络结构

    使用深度学习和卷积神经网络技术，通过二元分割和亲和力场相结合的方法，实现自动驾驶车辆的车道检测，能有效应对车道数量变化和车道变换情况。

    Mar, 2024

  • 基于视觉模型的行人动作预测分析

    本文研究如何利用图像信息来预测行人的行为，提出了几种基于 CNN 和 Transformer 的时空模型，分析了这些模型的预测结果的可解释性，强调在行人行为预测问题中可解释性的重要性。

    May, 2023