KDDJun, 2023

交通理解情境推理研究

PDF
TL;DR通过在交通领域中设计了三个新的基于文本的任务，我们采用了四种知识增强方法来进行实验，以评估交通监控领域中的 LM 在人类驾驶考试、情景决策和事件因果推理方面的表现。
intelligent traffic monitoringsituational reasoninglanguage modelscommonsense knowledge-graphknowledge-enhanced methods
发现论文，激发创造
  • 利用背景知识进行交通情境的鲁棒推理

    本文讨论交通理解的文本方法，采用三种基于知识的方法进行针对交通情境的零 - shot 问答，在大量语料库和知识图中提取常识知识。作者构建两个文本多项选择问答集来评估交通领域的因果推理和类似于人类驾驶执照测试的领域知识，其中 Unified-QA 是最好的方法之一，而 DPR+Unified-QA 的知识提取方式更为高效。

    Dec, 2022

  • SUTD-TrafficQA：交通事件视频推理的问答基准和高效网络

    本文提出了一种基于视频问答的交通事件认知数据集，用于基准测试因果推理和事件理解模型在复杂交通场景中的认知能力，并提出了一个针对各种交通场景的挑战性推理任务来评估不同类型的复杂但实用的交通事件的推理能力。此外，提出了一种新的高效视频推理模型，命名为 Eclipse，通过动态推理实现计算效率和可靠性的平衡。实验证明，我们的方法在显著降低计算成本的同时，实现了卓越的性能。

    Mar, 2021

  • 混合人工智能智能交通监控

    本文主要介绍 HANS 这一混合模型，它将知识图谱技术作为交通领域中 SOTA 推理的骨干，有效地解决了智能交通监测中的数据量和模态多和最先进推理需求的挑战。

    Aug, 2022

  • 基于交通领域的自动字幕视频问答

    论文提出一种名为 TRIVIA 的新方法，将交通领域的知识融入到大型视频语言模型中，通过弱监督技术实现交通领域的视频问题回答，与传统设置相比，提高了代表性视频语言模型的准确率 6.5 个百分点（19.88%）。

    Jul, 2023

  • 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

  • 利用本体论对自动驾驶的正式化和关键性识别

    本文提出知识表示与推理技术在自动驾驶汽车领域的应用。利用本文提出的 6 层模型创建了一个正式的场景模型，并利用本体论对交通场景因素进行建模和推理，得出交通状况关键因素。我们采用联合描述逻辑和规则推理器，并开展了一项基于大规模无人机数据集的实验评估。

    May, 2022

  • BDIQA：一个探索通过心智理论进行认知推理的视频问答新数据集

    本文介绍了 BDIQA，这是第一个探索 ToM 理论在 VideoQA 模型中认知推理能力的基准测试集，旨在填补当前 VideoQA 数据集与任务中机器 ToM 方面的不足，并通过实验得出了提高认知推理能力的两项指导原则。

    Feb, 2024

  • 对危险驾驶场景的基于知识的逻辑的鲁棒性验证

    基于知识的逻辑从公共交通事故数据集中提取出了定义危险驾驶形式的知识，这对于识别交通危险非常关键，可以监督和改进安全关键系统中的人工智能模型。同时，我们使用自动验证方法验证了这种逻辑的健壮性。

    Dec, 2023

  • 交通情景逻辑：一种用于建模和推理城市交通情景的时空逻辑

    交通场景逻辑 (TSL) 是一种用于建模和推理城市无行人交通场景的时空逻辑，它提供了城市道路网络的正式表示，并可用于生成测试场景以及自动驾驶决策和控制验证。

    May, 2024

  • 利用语言模型理解语言模型中的社交推理

    本研究通过创建一个新的社交推理基准，即 BigToM，来评估大型语言模型的社交推理能力，发现 GPT4 具有反映人类推理模式的理论思维能力，但不够可靠，而其他 LLM 则表现较差。

    Jun, 2023