Jul, 2023

inTformer: 一种基于时间嵌入的连接车辆数据的交叉口事故可能性预测的注意力变换器

PDF
TL;DR该研究提出了一种基于时间嵌入的注意力机制的 Transformer 模型，用于实时预测交叉口事故可能性，并通过与其他已建立的深度学习模型的比较证实了该模型的可行性。
real-time crash likelihood prediction modelproactive traffic safety management systemtransformer modelintersection crash likelihooddeep learning-based framework
发现论文，激发创造
  • 使用 Transformer 学习动态和分层交通时空特征

    本研究提出了 Traffic Transformer 模型，通过多头和掩码多头机制，动态地从数据中抽取时空特征，提高了交通预测性能，比现有技术表现更好。

    Apr, 2021

  • 基于交互式 Transformer 的端到端环境感知和预测

    本文提出利用新颖 Transformer 架构的 LSTM 循环神经网络去捕捉因交互而产生的时空相关性，来解决自动驾驶场景下的 3D 物体检测及其未来运动轨迹预测，经过实验证明，本方法的准确率及效率均优于同类算法。

    Aug, 2020

  • 基于上下文视觉转换器的交通事故风险预测

    本文提出了一种通过上下文视觉变换器进行端到端训练的新框架，该框架可以有效地推理有关问题的空间和时间方面，同时提供准确的交通事故风险预测，并在两个不同地理位置的大规模交通事故数据集上优于现有技术。

    Sep, 2022

  • 基于注意力的社交图变换网络用于随机轨迹预测

    提出了一种关注社交图转换网络的多模态轨迹预测方法，它结合了图卷积网络和 Transformer 网络，并通过生成稳定分辨率的伪图像来处理空时图，还设计了关注社交交互信息的模块。实验证明该模型在多个度量指标上最大限度地降低了位移误差，并显著减少碰撞的可能性，同时具备长时间预测的能力。

    Dec, 2023

  • TrTr：一种基于 Transformer 的多功能预训练大型交通模型，用于捕捉车辆群体中的轨迹多样性

    使用 Transformer 技术，通过分析其注意机制并设计特定的预训练任务，可以学习车辆群体内轨迹的多样性，同时预训练模型在捕捉车辆群体的空间分布方面表现出色，并能准确预测时间序列中的轨迹速度。

    Sep, 2023

  • 跨融合：基于交叉注意力变换增强的条件扩散模型的汽车跟驰轨迹预测

    车辆轨迹预测在推动自动驾驶和高级驾驶辅助系统（ADAS）方面至关重要，本研究介绍了一种专为汽车跟驰轨迹预测设计的交叉注意力变换增强条件扩散模型（Crossfusor），它将详细的车辆间相互作用和跟驰动力学结合到强大的扩散框架中，提高了预测轨迹的准确性和真实性，实验结果证明 Crossfusor 在长期预测方面优于最先进的模型，展示了它增强自动驾驶系统预测能力的潜力。

    Jun, 2024

  • VT-Former：一种基于 Transformer 的智能高速公路交通系统车辆轨迹预测方法

    在现代网络物理系统和智能交通系统中，提高道路安全和交通管理已成为一个重要的关注领域。通过引入一种新的基于 transformer 的方法 —VT-Former，并结合 Graph Attentive Tokenization (GAT) 模块，我们提出了一种精确的车辆轨迹预测方法。在三个基准数据集上的研究表明，VT-Former 在车辆轨迹预测方面具有最先进的性能，并且具有普适性和鲁棒性。我们还评估了 VT-Former 在嵌入式板上的效率，并探讨了其作为样本应用的车辆异常检测潜力，展示了其广泛的适用性。

    Nov, 2023

  • 运用时空关注机制与视觉变换器识别分心和疲劳驾驶

    2021 年与 2020 年相比，车辆事故率上升 20％，其中 45％的车祸是由于疲劳和分心驾驶所致。这项研究使用计算机视觉设计了低成本、精度高且侵入性小的检测方法，探讨了使用视觉变换器来优于 3D-CNNs 的最新准确性，针对分心和疲劳驾驶分别训练了两个变压器。其中，分心的模型表现超越最先进的模型，达到 97.5％的准确度。建议未来的研究使用新的和更强大的模型来实现更高的准确性和效率，在现有数据集的基础上扩展到检测醉酒驾驶和道路愤怒，以创建全面的解决方案来防止交通事故。

    Jul, 2022

  • xMTrans：用于长期交通预测的时间注意力交互融合变压器

    本文介绍了一种新颖的时间关注跨模态变压器模型，即 xMTrans，具备探索两种模态数据之间的时间相关性的能力，用于长期交通预测，通过对真实世界数据集上的交通拥堵和出租车需求预测进行广泛实验，结果显示 xMTrans 在长期交通预测方面优于最新的先进方法，此外，还进行了全面的消融研究，以进一步分析 xMTrans 中的每个模块的有效性。

    May, 2024

  • 基于 Transformer 的多模式神经网络用于自动驾驶的运动预测

    本文介绍了一种基于 Transformer 结构的神经预测框架来模拟车辆之间的社交关系和预测可能的轨迹，其中采用了多模态注意机制来解决运动预测的多模态问题，并在 Argoverse 运动预测数据集上得到了最佳预测精度。

    Sep, 2021