Oct, 2022

通过因果概率时间序列预测将替代安全度量与事故概率相联系

PDF
TL;DR该论文提出了一种使用概率时间序列预测将代理安全度量与崩溃概率相关联的方法，并使用 Transformer masked autoregressive flow（Transformer-MAF）估计速度，加速度和时间到碰撞的条件动作概率、崩溃概率和条件崩溃概率。通过反事实实验，条件崩溃概率显示了规避碰撞的有效性。
发现论文，激发创造
  • 驾驶支持的连续风险度量

    本文通过定性和定量分析对比了三种不同的基于模型的风险测量方法，其中基于稀有临界事件和所谓的生存条件的风险测量具有更早的碰撞检测时间，在近碰事故和非碰撞情况下具有较低的误报率，并可作为 TTCE 和高斯方法的泛化，适用于 ADAS 和 AD 的验证。

    Mar, 2023

  • 基于预测的公路碰撞风险评估的可达性分析

    本文介绍了一种基于预测的高速公路碰撞风险评估方法，利用点动态系统建立了双向概率分布运动的随机正向可达集，提出了加速度预测模型，以及对车辆状态进行推广的多模态概率加速度分布和碰撞概率计算方法，模拟结果表明该预测模型在车辆位置误差方面具有优秀的性能，该碰撞检测方法在切入事件中识别碰撞的能力敏捷且有效。

    May, 2022

  • 神经桥抽样用于评估安全关键自主系统

    本文提出了一种基于概率方法的安全性评估模拟方法，能够快速地对危险事件进行探测和评估，并证明了方法在统计和计算效率方面的优越性，最后在多种场景下进行了测试，证明了该方法对于开发和测试安全关键自主系统的敏感性分析和模型比较的重要性。

    Aug, 2020

  • 使用时间度量预测的学习性组件系统安全监控

    基于概率时序预测的安全监测方法在学习增强型自主系统中起到关键作用，通过深度学习模型，特别是 Temporal Fusion Transformer 模型，可以有效地预测飞行安全违规事件，保证系统在操作过程中的安全性。

    May, 2024

  • CrashFormer：预测事故风险的多模态架构

    减少交通事故是全球公共安全的关键问题。该研究提出了一种名为 CrashFormer 的多模态架构，利用综合的输入数据，包括事故历史记录、天气信息、地图图像和人口统计信息来预测未来事故的风险，并在实验证明其在稀疏输入数据情况下的表现优于其他顺序和非顺序模型。

    Feb, 2024

  • 自然驾驶情境下的概率不确定性感知危险路段探测器

    本文提出了基于生存分析考虑的概率情况风险模型，并将其扩展到自然地结合感性、时间和行为不确定性的真实场景。结果风险点检测器 (RSD) 应用于真实驾驶数据，显示了路面重要性地图，相较于 Time Headway (TH) 和 Time-To-Contact (TTC), 我们的方法在预测风险方面更具有选择性和特异性。

    Mar, 2023

  • 基于上下文视觉转换器的交通事故风险预测

    本文提出了一种通过上下文视觉变换器进行端到端训练的新框架，该框架可以有效地推理有关问题的空间和时间方面，同时提供准确的交通事故风险预测，并在两个不同地理位置的大规模交通事故数据集上优于现有技术。

    Sep, 2022

  • 使用序列到序列循环神经网络进行交叉口车辆冲突识别的轨迹预测

    提出一种基于预测的冲突识别方法，使用递归神经网络进行车辆轨迹预测，并利用 CitySim 数据集训练模型以预测车辆未来路径和头部位置，从而更准确地维护车辆几何表示。实验发现，该方法在交叉口冲突分析中表现优于常用的轨迹预测模型和车辆几何表示方法。

    Oct, 2022

  • 基于不确定性的时空关系学习在交通事故预测中的应用

    本研究提出了一个基于不确定性的事故预测模型，其中利用图卷积和循环神经网络进行关系特征学习，利用贝叶斯神经网络处理潜在关系表示的本质变异性，并使用新的 CCD 数据集验证了该模型在普通和新编译数据集上的表现优越性。

    Aug, 2020

  • 基于模型学习的自动驾驶系统安全分析

    本论文针对自动驾驶系统的安全分析提出了一种实用的验证方法，即建立量化描述交通场景下 ADS 行为的代理模型，并通过证明安全特性来保证原 ADS 的性能。此外，我们还探索了危险驾驶的安全和不安全参数空间，并通过评估多个模拟交通场景下的安全特性展示了所提出方法的实用性。

    Nov, 2022