May, 2023

学习行人动作以确保安全自动驾驶

PDF
TL;DR研究 AV 预测行人短期和即时行为的不足，提出了一种基于 TF-ed 架构的新型多任务序列到序列解码器，用于只使用自车摄像机观测作为输入的行人动作和轨迹预测。在公开可用的 JAAD 数据集、CARLA 仿真数据以及校园实时无人驾驶班车数据上评估该方法，结果显示该方法在 JAAD 测试数据上的行为预测任务准确率为 81％，优于 LSTM-ed 7.4％，然而 LSTM 的姊妹机在长度为 25 帧的预测序列任务中表现更好。
autonomous drivingpedestrian behaviortf-ed architectureaction predictiontrajectory prediction
发现论文，激发创造
  • 向前看：使用未来帧预测过街行人

    本文提出了一种以行人安全为重点的端到端未来预测模型，使用从车辆视角记录的先前视频帧来预测行人是否会横穿车辆前面，其长期目标是设计出一个完全自主的系统，与有防御性的人类驾驶员一样预测未来事件并采取反应以降低风险，并利用编码器 / 解码器网络和深度时空网络实现对行人行为和未来帧预测的最新准确性。

    Oct, 2019

  • 行人动作预测的多模态混合架构

    本研究提出了一种新颖的多模态预测算法，采用混合学习架构来分析环境的视觉特征和场景动态，预测行人的未来横穿行为，并在现有 2D 行人行为基准和新的 3D 驾驶数据集上进行评估，取得了最先进的表现。

    Nov, 2020

  • 基于视觉模型的行人动作预测分析

    本文研究如何利用图像信息来预测行人的行为，提出了几种基于 CNN 和 Transformer 的时空模型，分析了这些模型的预测结果的可解释性，强调在行人行为预测问题中可解释性的重要性。

    May, 2023

  • 城市交通中行人动作和意图识别

    本研究使用多种特征提取方法和机器学习算法，使用 JAAD 数据集为基础，聚焦于行人运动和头部方向的检测，达到了 72% 和 85% 的准确率，能有效解决自动驾驶和高级驾驶辅助系统中的行人意图和行动识别问题。

    Oct, 2018

  • 基于时空关注模型的情境感知行人轨迹预测

    本文提出了一种基于时空图的长短期记忆神经网络，用于在拥挤环境中预测行人的轨迹，考虑与场景中的静态和动态元素的交互，结果表明，相比于其他方法，本方法在人类轨迹预测方面能够将平均位移误差（ADE）和最终位移误差（FDE）分别降低高达 55％和 61％。

    Feb, 2019

  • 多模态变压器下的上下文感知行人轨迹预测

    我们提出了一种新颖的解决方案，用于预测行人的未来轨迹。我们的方法使用多模态编码 - 解码变换器架构，以行人位置和自车速度作为输入。值得注意的是，我们的解码器一次性预测整个未来轨迹，而不进行一步预测，这使得该方法适用于嵌入式边缘部署。我们在两个流行数据集 PIE 和 JAAD 上进行了详细实验和评估，定量结果证明我们所提出的模型在 0.5、1.0 和 1.5 秒三个时间范围内始终具有最低误差，并且相对于现有最先进技术的速度更快。此外，消融实验证明了我们方法的关键多模态配置的影响。

    Jul, 2023

  • 行人过马路行为预测的意图和行动耦合

    研究人员通过使用多任务网络和注意力关系网络，成功预测了未来行人动作，并将该预测作为先验来检测当前意图和行为，从而显着提高了交通安全性。

    May, 2021

  • 基于动作的对比学习用于轨迹预测

    本文研究车辆自主驾驶等人机交互场景下，预测第一视角的跟随摄像头采集到的行人轨迹，提出一种基于行人行为的对比学习损失、采样策略，辅以 CVAE 生成附加样本，将该对比框架与轨迹预测模型集成可显著提高模型预测效果，在多个基准测试中超过当前最先进的方法。

    Jul, 2022

  • 使用深度神经网络进行行人预测的规划

    本文介绍了一种基于自主行车的防撞技术，包括预测行人通过模拟其自身运动规划、推断可能的目的地、规划阶段和行为模式预测的神经网络。实验结果表明，系统能够准确地预测目的地和轨迹。

    Jun, 2017

  • 使用堆叠递归神经网络中的上下文特征融合进行行人动作预测

    该论文提出了一种用于自主车辆识别和预测行人通过道路的行为的方法，使用了堆叠的 RNN 架构，并将来自各种来源的信息逐步融合到不同的处理级别中，通过广泛的实证评估，证明该算法与替代循环神经网络架构相比具有更高的预测准确性，并且还探究了观察长度，时间和特征类型对该方法性能的影响以及不同的数据融合策略对预测准确性的影响。

    May, 2020