Dec, 2023

解释和可解释的行人过街预测的实验见解

PDF
TL;DR介绍了一种结合深度学习和模糊逻辑的新型神经符号方法，用于解释和解释行人过街预测，在 PIE 和 JAAD 数据集上评估，提供了在行人过街预测任务中实现可解释性和可解释性的实验见解，以及有关数据集选择、特征选择和解释过程的一系列指南和建议。
autonomous drivingpedestrian crossing predictionneuro-symbolic approachexplainabilityinterpretability
发现论文，激发创造
  • 无信号路口行人交互结果预测：等待还是穿过？

    本文利用机器学习预测在非信号控制的人行横道中行人与车辆的交互，包括行人的行走决策、开始过马路的时间和过马路所需时间。使用神经网络模型比 logistic 回归模型提高了 4.46% 的预测准确率和 3.23% 的 F1 分数，并与线性回归模型相比，降低了 21.56% 和 30.14% 的 CIT 和 CD 的根均方误差。分析了交互因素的重要性，提供了在不同特征输入限制下选择模型的信息。

    Apr, 2023

  • 行人过马路行为预测的意图和行动耦合

    研究人员通过使用多任务网络和注意力关系网络，成功预测了未来行人动作，并将该预测作为先验来检测当前意图和行为，从而显着提高了交通安全性。

    May, 2021

  • 基于视觉模型的行人动作预测分析

    本文研究如何利用图像信息来预测行人的行为，提出了几种基于 CNN 和 Transformer 的时空模型，分析了这些模型的预测结果的可解释性，强调在行人行为预测问题中可解释性的重要性。

    May, 2023

  • 行人意图预测的局部和全局情境特征融合

    该研究使用计算机视觉和多模态特征识别，以实现自主车辆与行人之间的安全互动，并在 JAAD 数据集上展示了比现有技术更优秀的预测结果。

    May, 2023

  • 评估行人过马路预测器的跨数据集泛化能力

    该研究论文基于直接的跨数据集评估，研究目前最先进的行人行为预测器在交叉数据集评估情境下的泛化能力较差，论文主张未来的行人交叉预测应该考虑到领域转移下的不确定性估计。

    Jan, 2022

  • 行人动作预测的多模态混合架构

    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

  • 深度虚拟到真实蒸馏用于行人过路预测

    本文提出了一种通过引入合成数据来构建深度虚拟到现实蒸馏框架，以实现对真实数据中行人过马路的预测，该框架能够从合成视频中获取大量行人运动的信息，在真实交通世界的预测任务中表现出极高的性能表现。

    Nov, 2022

  • 向前看：使用未来帧预测过街行人

    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

  • 利用特征融合和时空注意力预测行人过路意图

    该研究提出一种采用注意力机制和递归神经网络融合序列 RGB 影像、语义分割掩码和自车速度的神经网络结构，用于预测行人过马路意图，从而解决全局时空上下文与融合传感器数据的最优策略问题，实现了针对自动驾驶系统中行人行为预测的最优性能。

    Apr, 2021

  • 可解释式目标导向车辆轨迹预测模型

    自动驾驶中，理解车辆与周围环境的社交互动行为并预测其轨迹的能力对道路安全至关重要。为了克服神经网络方法在车辆轨迹预测中缺乏可解释性的问题，本文结合离散选择模型的可解释性与神经网络模型的高准确性，提出了一种能解释其预测结果而不降低准确度的模型，并通过使用 INTERACTION 数据集进行实现和评估，证明了该模型的有效性。

    Aug, 2023