Mar, 2023

一种基于POV的高速公路车辆轨迹数据集和预测架构

HTML
PDF
TL;DR介绍了Carolinas Highway Dataset (CHD)：一个包含了1.6百万个镜头从不同角度拍摄的视频和338,000个车辆轨迹的数据集，以及PishguVe：一种新颖的基于注意力图同构和卷积神经网络的车辆轨迹预测架构。结果表明，PishguVe在不同视角的数据集中的性能超过了现有算法成为新的最优解 (SotA)。
发现论文，激发创造
  • 基于深度学习的计算机视觉在SHRP 2 NDS视频中检测工作区

    本文介绍了SHRP 2 NDS Video Analytics (SNVA)软件应用程序，该应用程序从NDS设备的前置摄像头视频提取信息，并将该信息高效地整合到RID中，将视频内容与地理位置和其他行程属性相关联，其中包括了工作区域，交通信号状态和天气信息。

    Nov, 2018

  • 动态交通场景的时空一致性分类

    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

  • INTERACTION数据集：一个具有语义地图的国际交互式驾驶场景中的对抗与合作的动作数据集

    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

  • 基于目标及地图自适应的轨迹预测

    通过使用环境中富含地图的车道中心线来提高多模态、长期车辆轨迹预测方法的准确性，实现了汽车行驶的目标方向建模，生成一组已提议的车辆目标路径，并将其用作空间锚点，进而预测基于目标的轨迹和对目标的分类分布，在6秒的预测角度内，在内部驾驶数据集和公共nuScenes数据集上实验结果表明，该模型的性能优于先进的车辆轨迹预测方法。

    Sep, 2020

  • 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

    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%。

    Jul, 2022

  • 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

  • 基于图的交互感知多模态2D车辆轨迹预测利用扩散图卷积网络

    通过捕捉交互作用，这项研究提出了基于图的多模态轨迹预测模型，利用扩散图卷积网络有效预测未来车辆轨迹，并给出了相应概率，解决车辆交互和多模态行为的挑战。

    Sep, 2023

  • 利用闭路电视摄像头收集高分辨率交通数据的二维单应性应用

    该研究实施了一个三阶段的视频分析框架，用于从道路上的摄像头提取高分辨率的交通数据，关键组成部分包括目标识别、透视转换和车辆轨迹重建，可以用于改善交通管理、识别危险驾驶行为以及减少事故和伤亡风险。

    Jan, 2024

  • 驾驶员注意力跟踪和分析

    我们提出了一种使用安装在车辆挡风玻璃和仪表盘上的普通摄像头来估计驾驶员凝视点的新方法。该方法通过开发一种卷积网络来同时分析场景图像和驾驶员面部图像，其中包含一个相机校准模块，可以计算表示驾驶员和摄像头系统之间空间配置的嵌入向量，该模块改善了网络的性能并可以进行端到端的联合训练。我们还引入了一种大规模的驾驶数据集，其中包含了真实驾驶情景的图像以及驾驶员面部和凝视数据，对该数据集的实验表明，所提出的方法优于各种基准方法，均方误差为29.69像素，相对于场景摄像头的$1280{ imes}720$分辨率而言，误差较小。

    Apr, 2024

  • IDD-X：用于密集和非结构化交通中自我相关重要物体定位和解释的多视图数据集

    智能车辆系统需要深入了解道路状况、周围实体和自我驾驶行为之间的相互作用，以实现安全高效的导航，而在发展中国家，交通情况往往密集且无序，道路使用者也异质性强。现有数据集主要针对结构化和稀疏的交通场景，未能捕捉到在这种环境中驾驶的复杂性。为了填补这一空白，我们提出了一个大规模的双视角驾驶视频数据集IDD-X。通过提供697K个边界框、9K个重要对象轨迹和每个视频1-12个对象，IDD-X为多个重要道路对象提供了综合的自我驾驶相关注释，覆盖了10个类别和19个解释标签类别。该数据集还结合倒车影像信息，以提供对驾驶环境更全面的表征。我们还引入了专为多个重要对象定位和每个对象解释预测而设计的深度网络。总体而言，我们的数据集和推出的预测模型为研究道路状况和周围实体如何影响复杂交通情况下的驾驶行为奠定了基础。

    Apr, 2024