Nov, 2023

DRUformer: 提升驾驶场景中重要物体检测的驾驶关系自我理解

PDF
TL;DR交通事故频繁导致致命伤害，自 2023 年以来已造成超过 5000 万人死亡。为了减轻驾驶危险并确保个人安全，有助于帮助车辆在行驶过程中预测重要物体。为此我们引入了 DRUformer 模型，它是基于 Transformer 的多模态重要物体检测模型，考虑了驾驶场景中所有参与者之间的关系，并嵌入了驾驶意图模块。我们在 DRAMA 数据集上进行了比较实验，结果显示与其他最先进模型相比，mIoU 有 16.2％的显著提高，ACC 有 12.3％的大幅提升。此外，我们还进行了定性分析，突出了我们模型在不同道路情景和类别中检测重要物体的有效性。最后，我们进行了多种消融实验，评估了 DRUformer 模型中所提出的模块的效率。
发现论文，激发创造
  • 半监督学习在自动驾驶中的重要目标识别

    本文提出了一种基于二元分类、关系推理和半监督学习的重要物体识别方法，可用于智能车辆在复杂动态环境下的安全导航，并在公开数据集上得到验证。

    Mar, 2022

  • 道路行驶视频中物体重要性估计的交互图

    本文提出一种用交互图和图卷积进行物体重要性估计的新框架，以帮助更好地理解人类驾驶行为并实现更可靠的自动驾驶系统。实验结果表明，该模型具有比现有基线模型更好的性能。

    Mar, 2020

  • 路面行驶视频中以目标为导向的物体重要性估计

    本文针对车载自动驾驶视觉场景中的对象重要性评估问题，提出了一种新的基于视觉动态和驾驶目标的对象重要性估计框架，并通过实际交通路口数据集及人工标注数据对该框架进行了验证评估。同时，本文还探讨了使用对象重要性进行驾驶控制预测的可能性，并证明了该方法可以有效提升车辆的刹车预测准确性。

    May, 2019

  • 自动驾驶的基于图像分割的语义通信中的重要性感知

    这篇研究论文主要研究自动驾驶中基于图像分割的语义通信问题，通过提出名为 VIS-SemCom 的车辆图像分割导向的语义通信系统，传输重要对象的图像分割特征以减少传输冗余。

    Jan, 2024

  • 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

  • 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

  • 通过捕获物体间的关系提升航空图像中的检测能力

    基于 transformer 的方法在三个基准测试中表现出一致的性能提升，特别是在 DOTA-v1.5 和 HRSC 2016 上名列前茅，相对于基线方法分别增加了 1.59 mAP 在 DOTA-v1.0、4.88 mAP 在 DOTA-v1.5 和 2.1 mAP 在 HRSC 2016。

    Apr, 2024

  • 安全导航的物体关键性

    配置和部署能够成功提取对象相关性知识的对象检测器，并利用这些知识来改善轨迹规划任务。在给定物体检测器的情况下，基于对象的相关性和传统的置信度阈值进行过滤，可以减少错过相关对象的风险，降低危险轨迹的可能性，并总体上提高轨迹的质量。

    Apr, 2024

  • 基于上下文的驾驶员分心定量风险评估机器学习模型

    驾驶行为相关事故的避险技术对于风险缓解至关重要。我们提供了一种新的多类驾驶员分心风险评估（MDDRA）模型，该模型在旅程中考虑了车辆、驾驶员和环境数据。MDDRA 通过风险矩阵将驾驶员分类为安全、不小心或危险。我们使用 Field Operation Test（TeleFOT）收集了在英国东米德兰地区使用相同路线的真实数据。结果显示，通过减少由驾驶员分心引起的道路事故是可能的。我们还研究了分心（驾驶员、车辆和环境）与基于连续分心严重程度评分的分类严重程度之间的相关性。此外，我们应用机器学习技术对驾驶员分心进行分类和预测，以在情况被认为存在风险时帮助控制从驾驶员转移到车辆（接管车辆）。集成袋装树算法表现最佳，准确率为 96.2%。

    Feb, 2024

  • 从安全和可靠性角度评价物体（误）检测的后果：讨论和措施

    本研究旨在通过建立物体关键性模型，提出新的物体检测评估措施来评估自动驾驶中物体检测的安全性和可靠性，并在 nuScenes 数据集上对九种物体检测器进行比较，结果表明，在多种情况下，根据 nuScenes 排名表现最好的物体检测器当重点关注安全性和可靠性时，并不是最好的选择。

    Mar, 2022