本研究提出了两种数据驱动的自动编码模型来学习车辆交通场景的潜在表示,并显示了如何使用潜在场景嵌入来聚类交通情况并检索相似交通情况。
Jul, 2020
通过建立场景分类方法,可以减少获得自动驾驶系统(ADS)安全性的统计显著证据所需的时间。我们提出了一种能够模拟车辆与环境以及其他交通参与者之间交互的复杂交通场景分类方法,利用图卷积网络来建模这些场景的空间和时间特征,并在覆盖不同驾驶环境并逐帧进行注释的数据集上进行训练,为未来关于逐帧复杂场景分类的研究提供了有前景的基线。
Oct, 2023
本文通过使用图神经网络测量场景图的相似度,提出了一种基于场景图相似度的图像检索方法,并使用人工注释的标题计算图片相关性测量来训练图神经网络,收集了一个数据集用于评估检索算法,并显示我们的方法比竞争方法更符合人类对图像相似性的感知。
Dec, 2020
本文探讨利用图卷积网络对场景图进行结构化表示并生成有用的语义图像嵌入的方法,通过相似性标签学习图像表示,提出一种新的排序损失函数并设计三元采样策略,实验表明此方法优于已知相似性损失,且能够很好地捕捉场景的全局信息。
Apr, 2021
通过建立空间语义场景图和使用图神经网络来探讨 Traffic participants 之间的关系对于预测自动驾驶中的加速度和减速度等相关参数具有重要作用。这种建模方式不仅可以提高预测结果,也可以通过包含先前场景的附加信息提高预测性能。
Nov, 2022
本文提出了 SCENE 方法,通过使用异构图神经网络编码交通场景,利用层级图卷积和任务特定解码器进行推理和预测。结果表明,该方法在节点分类任务上表现优异,并具有较强的泛化性。
Jan, 2023
本论文通过引入统计策略,利用类别级别的语义表示来探索场景内不同类别之间的关联,进而构建一个相似性原型,从梯度标签软化和批级对比损失的角度提出了两种使用相似性原型来支持网络训练的方法,对多个基准进行了全面评估,结果表明我们的相似性原型能够提高现有网络的性能而不增加计算负担。
Aug, 2023
VeTraSS 是一个用于车辆轨迹相似性搜索的端到端流水线,通过将原始轨迹数据建模成多尺度图,并使用一种新颖的多层注意力机制的 GNN 生成全面的嵌入,从而可用于搜索相似的车辆轨迹,表现出优于现有工作并达到最新技术水平的效果,展示了 VeTraSS 在现实世界中用于轨迹分析和自动驾驶车辆安全导航的潜力。
Apr, 2024
提出了一种 CTG++ 基于学习的交通流模型,它可以通过语言指令进行指导,从而解决了交通模型控制需要领域专业知识,对实践者使用困难等问题,通过经过广泛的评估,我们展示了该方法在生成实际且符合查询要求的交通仿真方面的有效性。
Jun, 2023
本文旨在提出一个测量自动驾驶仿真图像贴近真实性的方法,并验证了该方法的适用性。