自动驾驶的行人环境模型
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
研究了自动驾驶汽车在城市环境中行驶面临的主要挑战以及解决方案,包括与行人的交互问题,通过调查研究现有的行人行为研究,提出解决方案包括与行人通信的设计方法和针对理解行人意图的视觉感知和推理算法,同时讨论了未来的研究方向。
May, 2018
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。
May, 2023
自主车辆与行人共享空间时,规划行驶路径需要考虑行人的未来轨迹。本文系统地回顾了文献中用于在存在车辆的情况下建模行人轨迹预测的不同方法,研究了与行人 - 车辆交互作用相关的特定考虑因素,并回顾了先前提出的预测模型中如何考虑预测不确定性和行为差异等不同变量。同时,文章也提供了包含行人和车辆轨迹数据的数据集概述,讨论了未来工作的研究空白和方向,如在深度学习方法中更有效地定义交互主体以及在无结构环境中收集更多混合交通数据集的需求。
Aug, 2023
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
本文提出了一种分层行人行为模型,通过使用行为树生成高层次决策,使用自适应社交力模型由底层运动规划器产生可执行的机动,将完整的实现集成到 GeoScenario Server 中,扩展了其车辆仿真能力,允许模拟涉及车辆和行人的测试场景,以协助自动驾驶车辆的基于场景的测试过程。该模型在两个不同的地点采集的实际数据集上进行了评估,表现出与现实世界行人轨迹高度相似的特性和 98%或更高的决策准确性。
Jun, 2022
本论文旨在通过单目行人动作识别和以自我为中心的视角进行的 3D 定位,预测行人意图和行动轨迹,通过使用传统 JAAD 和 KITTI 数据集以及 H3D 驾驶数据集的定性测试,展示了所提出的行动识别框架和定位方法的有效性和优越性。
Aug, 2020
本文提出了一种基于场景进行评估的新模式,以评估自主行驶系统中行人轨迹预测算法的挑战,并通过实证评估在多模态来源数据的融合和有效的分层方式下取得了显著的改进。
Oct, 2023
通过使用 CNN 的 2D 姿态估计技术,我们成功地确定了行人的意图,如穿过车道,停在行人路口之前并开始行走或弯曲,这是基于非自然序列(Daimler 数据集)的结果,使用 JAAD 数据集进行评估,提出了一种结合了 CNN 的行人检测、跟踪和姿态估计的方法以预测单眼图像中的人的穿越动作,并取得了新的最高水平结果。
Jul, 2018
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