本文提出一种基于 CNN 和 Bi-LSTM 的自动驾驶决策方法,在序列图像的不同区域之间建立特征相关性来实现避撞,通过摄像头和 LiDAR 传感器生成 “鸟瞰图”,并通过实验表明该方法优于现有的基于视觉的策略,成功率显著提高,同时为自动驾驶提供了有前途的解决方案。
Mar, 2023
通过对三种不同的网络体系结构进行实验,我们证明了多任务 V3 对于物体检测和区域分割的性能最佳,可在自动驾驶车辆的嵌入式感知系统中具有实用性。
Jun, 2023
自动驾驶系统面临着交通行为不确定性高等问题,本文提出了基于深度卷积神经网络的多轨迹交通演算方法,能够精确地预测交通行为并评估它们的概率,此方法也已成功应用于自动驾驶车辆中。
Sep, 2018
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
通过提出三个小型,计算成本较低的深度端到端神经网络模型,直接从输入图像中产生驾驶控制信号,并利用深度和薄型全卷积网络与递归神经网络以及低参数计数等方法来解决复杂的端到端回归任务,预测转向和加速度指令,并包括分类优化层,以允许网络隐式地学习图像语义。我们证明,与最新的可比较的端到端驾驶网络相比,所得到的网络使用了 3 倍少的参数以及比 AlexNet 变化小 500 倍,同时维持对于过拟合的稳健性。
Nov, 2017
我们提出了一种分阶段空间全局 - 局部聚合网络,用于解决快速运动或多个姿势引起的特征退化问题,并提高在在线应用中的效率。
May, 2024
本文针对三种自动驾驶模型,分析了五种对抗性攻击和四种防御方法的效果。实验证明,与分类模型类似,这些模型仍然非常容易受到对抗性攻击,因此实践中应该考虑到这一点。对于系统和中间件构建者,需要同时部署多种防御方法来获得对各种攻击的良好覆盖。同时也需要保护好模型的细节信息,以降低黑盒攻击的效果。如果计算资源允许,则建议使用复杂的架构模型,因为该模型比简单模型更具弹性,更能抵御对抗性攻击。
Feb, 2020
通过比较分析卷积神经网络结构,本研究旨在识别出最有效的实时检测驾驶员分心的模型,以提升车辆安全系统的能力,从而预防因不注意引发的事故。
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
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