Apr, 2023

RS2G: 数据驱动场景图提取和嵌入用于鲁棒的自主感知和场景理解

PDF
TL;DR提出了一种数据驱动的图提取和建模方法，称为 RoadScene2Graph (RS2G)，它能够学习提取用于解决自主场景理解任务的道路场景的最佳图表示，并提高图学习方法的泛化性和仿真数据到实际场景的转移能力。
autonomous vehiclesgraph learning methodsdata-driven graph extractiongeneralizationsim2real transfer learning
发现论文，激发创造
  • RSG-Net: 面向智能车辆在复杂环境中富语义关系预测

    该研究提出了一种通过使用图卷积网络来预测自动驾驶车辆周围物体间的潜在语义关系的方法，并产生了称为 “路景图” 的图形结构结果，为风险检测、环境理解和决策制定等任务提供了基本方法。

    Jul, 2022

  • 预训练图神经网络基于自动驾驶的智能交通场景理解模型

    基于图注意力网络的通用预训练场景理解模型能够学习交通场景的通用交互和推理，支持各种下游任务，通过在城市和高速公路场景中进行验证实验，证明了该模型具有广泛应用的潜力，并通过消融实验展示了预训练任务设计的有效性。

    Apr, 2024

  • 通过风险和场景图学习进行异构轨迹预测

    本文提出了一种利用风险和场景图学习方法来预测异构道路代理轨迹的方法，该方法包括异构风险图和层次场景图，具有在驾驶情况下更有效的轨迹预测，并且在 nuScenes，ApolloScape 和 Argoverse 数据集上展示了优越的性能。

    Nov, 2022

  • GraphAD: 交互场景图用于端到端自动驾驶

    本文提出了 Interaction Scene Graph (ISG) 作为一种统一的方法，用于建模自动驾驶中的自车、道路代理和地图元素之间的相互作用，并在 nuScenes 数据集上进行评估，显示出较强的全栈驾驶任务性能优势。

    Mar, 2024

  • 时空事件图像用于动态场景理解

    该论文介绍了关于动态场景理解的研究，主要涉及自动驾驶、道路事件检测、视频活动检测、持续学习等内容。

    Dec, 2023

  • 基于 RAG 的使用知识图谱和大型语言模型的自动驾驶道路用户行为可解释预测

    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

  • 基于关系的交通场景图的运动预测

    通过建立空间语义场景图和使用图神经网络来探讨 Traffic participants 之间的关系对于预测自动驾驶中的加速度和减速度等相关参数具有重要作用。这种建模方式不仅可以提高预测结果，也可以通过包含先前场景的附加信息提高预测性能。

    Nov, 2022

  • 交互感知概率预测的情境可迁移语义图推理

    本文提出了一个基于语义知识的预测框架，通过将驾驶场景建模为时空语义图，并推理这些图之间的内部关系，实现对自动驾驶汽车的行为预测。框架不仅实现了最先进的性能，而且具有良好的零样本迁移性。

    Apr, 2020

  • Sat2Graph: 通过图 - 张量编码提取道路图

    本论文提出了一种新方法 Sat2Graph，将像素级分割和基于图形的方法的优势结合在一个框架中。通过一种新的编码方式，即图张量编码，Sat2Graph 能够从图像中直接捕捉图形结构的特征并预测道路图，并可以侦测不只平面的道路图，而能够稳健地预测堆叠道路（例如高架桥等）。实验显示，Sat2Graph 优于先前指标 TOPO 和 APLS 使用的其他方法。

    Jul, 2020

  • 交通场景相似度：基于图形对比学习的方法

    通过使用图形来构建一个有意义的嵌入空间，我们的方法展示了场景的连续映射以及基于嵌入结果形成主题相似群集，从而在后续测试过程中识别相似场景，从而减少冗余测试运行。

    Sep, 2023