Nov, 2023

老年驾驶员轨迹数据异常行为检测

PDF
TL;DR给定一个道路网络和一组轨迹数据，本文介绍了一种可以表示详细时空轨迹数据的边属性矩阵，并识别异常驾驶行为的方法。实验结果表明，该方法能够有效地识别异常驾驶行为。
anomalous behavior detectiontrajectory datadirectional deviationsmild cognitive impairmentedge-attributed matrix
发现论文，激发创造
  • 驾驶员异常检测：数据集与对比学习方法

    本文提出了一种对比学习方法，通过一套视频基准测试集 (DAD dataset) 实现区分正常驾驶与异常行为，进而解决驾驶人员相关事故问题。该方法在 DAD 数据集上取得了 0.9673 的 AUC，显示对比学习方法在异常检测任务中的高效性。

    Sep, 2020

  • 通过循环图注意力网络检测社交不规范的公路驾驶行为

    本研究提出了基于自编码器和循环图注意力网络的异常驾驶行为检测方法，可以检测到在各种车辆交互和时空变化下，与周围车辆有所偏差的异常现象，其效果在仿真和实际交通数据上都获得了最佳表现。

    Apr, 2023

  • 利用图卷积循环网络准确检测危险驾驶行为以增强道路安全

    提出了一种基于图卷积长短期记忆网络模型的可靠的驾驶行为检测系统，它使用公共传感器增强了传感器数据模型的精度和实用性。同时，我们引入了非公共传感器用于评估模型的有效性，结果显示该模型在两种情况下的准确率均表现出一致性和高精度，这个系统可以有效地检测危险和不安全的驾驶行为，具有提高道路安全性和减少由驾驶员错误引起的事故的潜在应用。

    May, 2023

  • 第一人称视角视频的无监督交通事故检测

    本文提出了一种基于未监督学习的方法，通过预测交通参与者未来位置并监测三种不同策略的预测准确度和一致性来检测仪表板安装的摄像头视频中的交通事故。实验结果表明，该方法优于最先进的方法。

    Mar, 2019

  • 利用轨迹特征识别驾驶行为进行车辆导航

    提出一种新方法，从车辆轨迹自动识别驾驶员行为，使用这些行为进行自动驾驶车辆的安全导航，该方法包括从轨迹中提取一系列特征，通过一个网络用户研究，将这些特征与六种驾驶员行为建立数据驱动的映射，并计算评分，我们把算法应用于车辆导航仿真系统，并展示了它在和危险驾驶员或咄咄逼人的驾驶员并行行驶时的安全实时导航方面的优势。

    Mar, 2018

  • 失衡航空器数据异常检测

    提出了一种基于图形化时间数据分析（GTDA）框架的异常检测方法，该方法包括 S2I、CRD 和 VBL 三个模块，通过对飞行数据集的实验验证，说明该方法可以有效提高精度和召回率。

    May, 2023

  • 物理引导的异常轨迹间隙检测

    通过空间时间索引和动态区域合并，提出了一种用于检测轨迹中异常间隙的方法，并在合成和真实世界海上轨迹数据上进行了实验验证。

    Mar, 2024

  • 面向混合交通中的安全自主性：通过信息共享检测人类驾驶员的不可预测异常行为

    通过有效融合周围自动驾驶车辆共享的实时信息，我们提出了一种既能显著提高轨迹预测又能准确快速检测异常人工驾驶模式切换或异常驾驶行为的高效算法，以验证我们的算法，我们首先在 NGSIM 和 Argoverse 数据集上评估了我们的轨迹预测器，证明了我们的预测器优于基线方法。然后通过在 SUMO 模拟器上进行大量实验，我们展示了我们的算法在高速公路和城市交通中具有出色的检测性能，最佳性能达到 97.3% 的检测率、1.2 秒的平均检测延迟和 0 误报。

    Aug, 2023

  • 基于视觉的交通事故检测与预测：综述

    交通事故检测与预测是一项棘手的交通安全问题，本文提出了一项对深度学习时代中视觉交通事故检测（Vision-TAD）和预测（Vision-TAA）的全面调查，探讨了每个研究样本的优劣，并提供了 31 个公开可用的基准和相关评估指标的关键评论，旨在为 Vision-TAD 和 Vision-TAA 任务带来新的见解和可能的趋势。

    Aug, 2023

  • uTRAND：交通轨迹的无监督异常检测

    uTRAND 是一种深度学习技术的框架，通过将异常轨迹预测问题从像素空间转移到语义拓扑领域，检测和跟踪交通摄像头中各种类型的交通代理。通过将交叉口视为基于补丁的图形，该框架能够在没有昂贵手工分类的情况下学习和建模交通代理的正常行为，并且能够制定简单规则以便于人类解释异常轨迹。在真实环境中收集的异常轨迹数据集上，uTRAND 在性能和可解释性方面都优于其他先进方法。

    Apr, 2024