本文研究了一种在自主驾驶和辅助驾驶中用于碰撞风险评估的预测方法，利用深度预测模型从传统视频流中预测即将到来的事故，并在决策制定过程中引入了时间信息、多模态信息以及任务固有的不确定性。通过使用基于贝叶斯卷积 LSTM 的深度预测模型，实验表明当多个摄像头作为输入源时，该方法能够较为准确地预测即将发生的事故。

Nov, 2017

本研究关注应用先进的技术方法提高交通事故的检测，通过引入一种创新的综合数据集来增强智能城市中的计算机视觉和动作识别系统，旨在填补现有研究的空白，提供用于交通事故检测的基准数据集，以推动学术研究并提升实时事故检测应用，从而实现更安全、更高效的智能城市环境的发展。

Jan, 2024

通过提出 V2X-Sim，一个完整的模拟多智能体感知数据集，本文试图为自动驾驶的协作式感知研究提供一个 benchmark，其中包含了多节点感知、多模态感知以及各种各样的真实解等任务，并为最前沿的协作式感知算法提供一个基准。

Feb, 2022

引入第一个大规模的连续 V2X 数据集 V2X-Seq，包括数据帧，轨迹，矢量地图和交通灯。基于该数据集，提出三个新的车辆基础设施协作自动驾驶任务：VIC3D 跟踪、在线和离线预测，并提供了这些任务的基准。

May, 2023

本文通过构建一个大规模、统一的数据集，总计 900 万条交通事故记录，并结合道路网络和交通量报告，评估了现有的深度学习方法在预测道路上事故发生的准确性。研究发现，图神经网络（如 GraphSAGE）能够准确预测道路上事故的数量，平均绝对误差低于 22%（相对于实际计数），并且对于是否会发生事故的预测准确率高达 87% 以上（通过平均州统计）。通过多任务学习考虑州际变异性和迁移学习将交通量与事故预测相结合，取得这些结果。消融研究凸显了道路图结构特征的重要性。最后，讨论了分析的意义并开发了一个使用该数据集的便捷包。

Oct, 2023

该研究介绍了当前最全面的交互式动作数据集，包含超过 100,000 个场景，用于发展动作规划模型与提供强大的基线模型来对单独或多个交互式对象进行预测，并提供了新的度量方法。

Apr, 2021

本研究综述了车辆对基础设施（V2I）、车辆对车辆（V2V）和车辆对一切（V2X）的协作感知数据集，重点关注用于自动驾驶车辆感知任务的大规模基准的最新发展。该论文系统地分析了各种数据集，比较了它们在多样性、传感器设置、质量、公开可用性和对下游任务的适用性等方面，同时突出了领域转移、传感器设置限制以及数据集多样性和可用性方面的关键挑战。强调了在数据共享和数据集创建方面解决隐私和安全问题的重要性。结论强调了需要全面、全球可访问的数据集以及技术和研究社区的协作努力来克服这些挑战，并充分发挥自动驾驶的潜力。

Apr, 2024

提出了一个关于意外情况下语义分割的任务，以及一个意外情况数据集 DADA-seg，同时提出了一种新的基于事件的多模态分割架构 ISSAFE，实验证明该方法在意外情况下可以稳定语义分割并获得与多个领先的分割方法相比的性能提升。

Aug, 2020

发布了第一个用于车路协同自动驾驶的真实场景多模态多视角数据集 DAIR-V2X，其中包括 71254 帧 LiDAR 和摄像头帧，是解决车路协同 3D 物体检测问题的一个基准，并提出了延迟融合框架 TCLF。

Apr, 2022

自动驾驶车辆的安全过马路是智能城市中需要解决的重要问题。本文介绍了一种多传感器融合方法，用于支持由自主轮椅和具备多样化和冗余组件的飞行无人机组成的系统中的过马路决策。为此，我们设计了一个基于可解释的物理条件的分析危险函数，通过单个传感器评估这些条件，其中包括使用机器学习和视觉技术的传感器。作为概念证明，我们在实验室环境中进行了实验评估，展示了使用多个传感器的优势，这可以提高决策准确性并有效支持安全评估。我们将数据集提供给了科学界，以进行进一步的实验。这项工作是在一项名为 REXASI-PRO 的欧洲项目的框架下开展的，该项目旨在为行动不便的人们的社交导航开发可信赖的人工智能。

Mar, 2024