基于知识图谱的自动驾驶方法综述
该研究旨在探讨自动驾驶数据的知识图嵌入生成和评估,并考虑知识图的信息细节与衍生嵌入质量的关系,结果表明,在自动驾驶领域,知识图的信息细节越高,衍生嵌入的质量越高,并且基于语义转移距离的 TransE 算法更好地捕捉类型和关系的语义。
Feb, 2020
本文探讨了知识驱动的自动驾驶技术,并强调了当前自动驾驶系统存在的数据偏差敏感性、处理长尾场景的困难以及缺乏可解释性等限制。然而,具有认知、泛化和终身学习能力的知识驱动方法被视为克服这些挑战的有希望途径。本文通过利用大型语言模型、世界模型、神经渲染和其他先进的人工智能技术,系统梳理和回顾了该领域的先前研究工作,并为未来自动驾驶的研究和实际应用提供了洞见和指导。
Dec, 2023
AutoKnow 是一个自动的系统,用于构建包含在线零售网站产品信息的知识图谱。该系统使用创新技术构建分类系统、识别产品属性、提取知识、检测异常和发现同义词。
Jun, 2020
在自动驾驶的背景下,通过结合知识图谱和大型语言模型的推理能力与表达能力,提出了一种可解释的道路用户行为预测系统,该系统使用检索增强生成技术,通过知识图谱嵌入和贝叶斯推理结合在一起,实现对行为的预测,并在行人过马路行为和变道操作的两个应用场景中表现出超越现有技术的性能和 F1 得分,展示了未来研究的有希望的方向。
May, 2024
本文系统综述知识图谱领域中的机遇和挑战。通过回顾知识图谱在人工智能系统和潜在应用领域中的机遇,以及知识图谱嵌入、知识获取、知识图谱完成、知识融合和知识推理等技术上的严重挑战,我们期望本次调查将为未来的研究和知识图谱的发展带来新的见解。
Mar, 2023
讨论了机器学习在知识图谱上的应用以及实验评估了一种适用于工业系统的异常活动评分方法。该方法经过无监督训练后,能够在各种场景下生成直观易懂、可解释的警报,为利用知识图谱的关系式机器学习在入侵检测方面带来潜在的好处。
May, 2021
本文综述了利用知识图谱的视觉迁移学习方法,着重分析知识图谱的建模结构、特征提取和知识图嵌入方法,并介绍了四种知识图谱与深度学习管道的组合方式。同时,提供了评估基准、处理数据集和基于知识图谱的辅助知识类型的概述。未来的研究应着眼于挖掘面临的挑战和开放问题。
Jan, 2022
医疗知识图谱自动化 (M-KGA) 是一种创新方法,通过利用用户提供的医学概念并利用 BioPortal 本体进行语义增强,以整合预训练嵌入向量,从而提高知识图谱的完整性。该方法引入了基于聚类和基于节点的两种方法,以发现知识图谱中隐藏的连接,通过对电子健康记录中 100 个频繁出现的医学概念进行严格测试,展示了有望解决现有知识图谱自动化技术限制的潜力。
Apr, 2024
提出一种基于深度学习的方法,将预测、决策和规划模块融合起来,以克服自动驾驶系统中基于规则的方法在真实世界应用中的不足,特别是在城市场景中。所提出的 DNN 模型仅经过 10 小时的人工驾驶数据训练,并且支持市场上所有的批量生产 ADAS 功能。在此论文中,展示了该方法在不对车辆的传感器设置和计算平台进行任何修改的情况下,通过部署到集约的测试车辆上,展示了其可行性、可用性和商业潜力。
May, 2024