空间、时间与交互:自动驾驶轨迹数据集中的极端案例分类
本文提出了一种基于多个线索(交通工具的估计运动,高速公路交通典型运动模式和车辆间互动)的统一框架,用于自动驾驶汽车路径规划中环绕车辆的机动分类和运动预测。通过在高速公路上使用车载传感器收集的真实交通数据,我们对机动分类准确性和对地面实况的预测轨迹的平均绝对误差和中位数绝对误差进行了评估和报告。此外,还进行了消融分析来分析相对于预测轨迹,每个线索的相对重要性,并提供了框架组件执行时间的分析。最后,我们通过多个案例研究分析了我们模型的输出,以应对复杂的交通场景。
Jan, 2018
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
该研究论文提供了“corner case”的定义,并提出了一种既可在线使用,也可脱机筛选、重复训练机器学习算法的系统框架,该系统能够处理自然移动车辆前置摄像头的视频信号,并输出“corner case”分数。
Feb, 2019
本文介绍了一种面临道路运动相机拍摄时空视角变化而实现动态交通场景分类的解决方案,包括创建了80小时的数据集和使用语义上下文和时间性的新型算法开发了一种道路场景动态分类系统,可以帮助理解驾驶员的驾驶行为。
May, 2019
本文提出一个交互式驾驶场景中带有语义地图的国际性对抗合作运动数据集(INTERACTION数据集),包括多样的驾驶场景、不同文化的驾驶行为、交互式和复杂的行为等特点,可支持运动预测、行为建模等多项研究领域。
Sep, 2019
自动驾驶车辆的分布需要处理各种意外和可能危险的情况,这些情况被称为边缘情况,而这些情况也是机器学习模型的开发所需数据的重要组成部分。然而,在大规模数据集中只有有限数量的边缘情况数据,这使得它们在机器学习的背景下具有挑战性。本文旨在介绍机器可解释的边缘情况描述的挑战和目标。
Sep, 2021
本文综述了自动驾驶车辆(AD)的轨迹预测方法, 重点讨论了基于机器学习的方法,包括深度学习和强化学习。该文还研究了常用的数据集和评估指标,并比较了两个主要的学习流程。通过确定现有文献中存在的挑战和潜在研究方向,本综述在AD轨迹预测方面做出了重要贡献。
Jul, 2023
自主车辆安全验证的挑战在于不同于训练数据的安全关键情况,通过基于仿真场景测试扩展道路和交通条件的涵盖范围以及包含边界情况,可以改善自主车辆的安全性。我们的方法基于历史交通数据,允许工程师生成新颖、逼真的边界情况,并解释为什么这些情况是安全关键的。我们引入了概率车道图(PLGs)来描述有限的车道位置和方向,PLGs的结构是直接从时空交通数据中学习的。这个图模型通过以概率策略的形式,表示驾驶员对给定状态的响应行为,我们使用强化学习技术修改这个策略,生成逼真且可解释的边界情况,用于评估自主车辆的安全性。
Aug, 2023
本研究解决了自主驾驶车辆在线角落案例检测中的安全性问题。提出将端到端方法与模块化系统结合的新方法,通过模块系统负责主要驾驶任务,而端到端网络作为辅助手段并行运行,利用两者间的不一致性进行角落案例检测。研究结果表明,此方法可有效提升自主车辆的安全性。
Sep, 2024