Jun, 2023

AutoExp：一种多学科、多传感器框架，用于评估自动驾驶汽车中的人类活动

PDF
TL;DR本文提出了一个实验框架，通过多学科的方法（计算机视觉和人文社科学）研究自动驾驶汽车乘客的内部活动，包括与驾驶无关的活动，旨在捕捉实时的真实数据并创建数据集，以促进计算机视觉算法的发展和评估。
self-driving carsin-cabin human activitiesmultidisciplinary approachreal-world experimentationcomputer vision algorithms
发现论文，激发创造
  • 行为分析检测自主驾驶车辆

    利用图像和状态信息，该研究提出了一种全面的自动驾驶监测框架，旨在自动识别自动驾驶车辆与人工驾驶车辆的行为，并在充分考虑数据采集条件不佳的情况下进行测试。

    Mar, 2024

  • MIT 先进车辆技术研究：驾驶员行为与自动化交互的大规模自然驾驶研究

    通过对 23 辆特斯拉 Model S/X，2 辆沃尔沃 S90，2 辆路虎 Evoque 和 2 辆凯迪拉克 CT6 车辆装载数据采集硬件进行长期和中期的数据采集，结合 IMU，GPS，CAN 信息和高清视频流分析，探索人类与自动驾驶技术相互作用的全景认识，提取其中可行的研究方式和深度学习的算法，最终为开发自动驾驶做出贡献。

    Nov, 2017

  • 自动驾驶汽车：一项调查

    本文主要介绍了自动驾驶汽车的自主系统架构，包括感知系统和决策系统，以及相关的感知和决策方法的研究，并介绍了巴西联邦大学开发的自动驾驶汽车 IARA 的自主系统架构，最后列举了一些知名的自动驾驶汽车研究平台。

    Jan, 2019

  • 音视频情感评估与自主汽车：应用

    该研究探讨了在自主驾驶汽车中进行情感分析、乘客建模和情感分析以及在特定案例中将自主驾驶汽车的情感分析应用实现的挑战和潜在途径。

    Mar, 2022

  • 自动驾驶中驾驶员干预行为分析 —— 一种融入 VR 的方法

    该研究通过实施虚拟现实和交通微模拟集成的实验环境，并在典型和多样化的交通场景下进行测试，提出了驾驶员介入行为的新视角，从而改善自动驾驶在类似情景下的表现，并为人与自动化系统之间的信任关系研究提供了有价值的综合与沉浸式工具。

    Dec, 2023

  • 增强驾驶员行为模型用于高保真模拟研究碰撞检测算法

    本文使用模拟平台进行了复杂的交通仿真实验，针对连通与自动驾驶汽车的驾驶行为进行了建模，并分析了多种人为与机制相关的因素对交通网络的影响。

    Aug, 2022

  • 自动驾驶车辆中的计算机视觉应用：方法、挑战与未来发展方向

    自动驾驶车辆的知觉系统及其与计算机视觉和传感器相关的技术发展和应用进行了综述，概述了自动驾驶车辆的发展、传感器和数据集、计算机视觉应用以及公众意见和担忧，并分析了当前技术挑战和未来研究方向。

    Nov, 2023

  • 自动驾驶车辆在全自动和混合交通条件下的开发与评估

    自动驾驶汽车技术快速发展，对道路交通安全产生了重大影响，同时也解决了多种复杂的交通问题。为了确保自动驾驶汽车之间以及自动驾驶汽车与人类驾驶员之间的合作互动，本研究提出了一个多阶段的方法，采用共享和关怀的车对车通信策略来加强协同行为。通过进行一项调查来验证自动驾驶汽车的驾驶性能，并可用于一个混合交通案例研究，重点研究人类驾驶员如何对待与他们同时驾驶在同一条道路上的自动驾驶汽车。研究结果表明，采用深度强化学习，自动驾驶车辆获得了接近人类驾驶性能的驾驶行为。在自动驾驶汽车网络中采用共享和关怀的车对车通信可以提高其驾驶行为，促进更有效的行动计划，并增进自动驾驶汽车之间的合作行为。调查结果显示，无法保证混合交通中的安全性，因为我们无法控制人类驾驶员出于自我的行为，如果他们决定与自动驾驶汽车竞争。因此，本研究倡导加强对自动驾驶汽车在公共道路上安全融入的研究。

    Dec, 2023

  • 针对自主驾驶的多模态感知参数化决策

    自动驾驶是一项新兴技术，本论文提出了一种基于深度强化学习的参数化决策框架，AUTO，在感知多模态状态特征基础上设计了图形模型来学习多模态语义特征的状态表示，并通过混合奖励函数考虑安全、交通效率、乘客舒适度等因素，以生成最佳行动。通过广泛实验，证明了 AUTO 在宏观和微观效果上领先于现有技术。

    Dec, 2023

  • 自主轮椅的安全过马路：一种新型数据集及其实验评估

    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