Jul, 2023

LightFormer: 基于交通信号灯和注意机制的路口直行权识别的端到端模型

PDF
TL;DR本篇研究提出了一种名为 LightFormer 的交叉口道路通行权识别模型，使用基于相机的传感器确定车辆是否具有通行权，证明了该模型在两个公共交通灯数据集上的有效性。
发现论文，激发创造
  • AttendLight: 交通信号控制通用基于注意力的强化学习模型

    提出了一个名为 AttendLight 的端到端强化学习算法，用于解决交通信号控制问题，该算法通过使用两个注意力模型训练单个通用模型来解决此问题，可以处理任何数量的路，车道，相位和交通流量。用全合成和实际标准基准数据集进行了实验，展示了在所有情况下其性能均优于传统和其他基于 RL 的方法。

    Oct, 2020

  • CoLight: 学习网络层协作进行交通信号控制

    本研究探讨了如何提高道路交通信号灯的效率，提出了一种名为 CoLight 的新模型，使用图形注意网络来帮助交通信号之间的通信，实现了更好的交通信号控制表现，并展示了在大规模道路网络中实现的效果。

    May, 2019

  • aUToLights：一种稳健的多摄像机交通信号灯检测与跟踪系统

    本文介绍了多摄像头的交通信号灯感知管道，使用 YOLOv5 探测器进行边界框回归和交通信号灯分类，并融合高清语义地图信息和隐马尔可夫模型的状态过滤来提高鲁棒性，在现实世界的复杂场景下实现了优异的表现。

    May, 2023

  • 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

  • Wayformer：基于简单高效注意力网络的运动预测

    本文提出了一种基于注意力机制的动作预测体系结构，并探讨了不同融合方法的有效性。结果表明，相比于其他模态融合方法，早期融合的模态无关架构在 Waymo Open MotionDataset (WOMD) 和 Argoverse 排行榜中都有着最优秀的表现。

    Jul, 2022

  • RoadFormer：RGB-Normal 语义道路场景解析的双工变换器

    RoadFormer 是一种基于 Transformer 的数据融合网络，可以精确预测道路场景解析中的语义内容。

    Sep, 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

    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。

    Jul, 2023

  • LYTNet：用于实时行人交通灯和斑马线识别的卷积神经网络，适用于视障人士

    本文介绍了一种基于深度学习的解决方案 LYTNet，其可提供行人交通灯的状态和斑马线位置的信息，拥有高的检测准确率和较快的处理速度。

    Jul, 2019

  • SafeLight：一种强化学习方法，用于实现无碰撞交通信号控制

    通过强化学习技术实现道路交通信号控制的自适应，并针对交通事故的发生率，提出了一种安全性增强的残差强化学习方法，实验表明该方法可以显著降低碰撞率并提高交通流动性。

    Nov, 2022

  • 基于显著敏感损失的稳健交通信号灯检测：计算框架和评估

    本文提出了一种交通信号灯检测模型，旨在找出对驾驶员未来决策有影响的信号灯，使用 Salience-Sensitive Focal loss 的 Deformable DETR 物体检测变换器模型进行训练，表现更好的召回率。

    May, 2023