基于知识图谱嵌入和贝叶斯推理的车辆换道预测

Dec, 2023

基于知识图谱嵌入和贝叶斯推理的车辆换道预测

Vehicle Lane Change Prediction based on Knowledge Graph Embeddings and Bayesian Inference

M. Manzour, A. Ballardini, R. Izquierdo, M. A. Sotelo

TL;DR基于语言上下文信息利用知识图谱实现车道变更预测，并应用贝叶斯推理，预测车道变更两秒前的 f1 得分为 97.95%，领先于现有技术，三秒前的 f1 得分为 93.60%。

Abstract

Prediction of vehicle lane change maneuvers has gained a lot of momentum in the last few years. Some recent works focus on predicting a vehicle's intention by predicting its trajectory first. This is not enough, as it ignores the context of the scene and the state of the surrounding ve

vehicle lane change maneuvers trajectory prediction risk assessment knowledge graphs bayesian inference

发现论文，激发创造

基于 RAG 的使用知识图谱和大型语言模型的自动驾驶道路用户行为可解释预测

在自动驾驶的背景下，通过结合知识图谱和大型语言模型的推理能力与表达能力，提出了一种可解释的道路用户行为预测系统，该系统使用检索增强生成技术，通过知识图谱嵌入和贝叶斯推理结合在一起，实现对行为的预测，并在行人过马路行为和变道操作的两个应用场景中表现出超越现有技术的性能和 F1 得分，展示了未来研究的有希望的方向。

May, 2024

nuScenes 知识图谱 -- 用于轨迹预测的交通场景全面语义表示

利用知识图谱建模交通场景中多样化实体及其语义连接，为轨迹预测提供了一个数据格式，结合图神经网络使用。

Dec, 2023

自动驾驶数据知识图谱嵌入评估：经验与实践

该研究旨在探讨自动驾驶数据的知识图嵌入生成和评估，并考虑知识图的信息细节与衍生嵌入质量的关系，结果表明，在自动驾驶领域，知识图的信息细节越高，衍生嵌入的质量越高，并且基于语义转移距离的 TransE 算法更好地捕捉类型和关系的语义。

Feb, 2020

基于关系的交通场景图的运动预测

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

空间 - 时间城市知识图谱启用的出行模式预测

本文利用空间 — 时间城市知识图谱中的移动轨迹，特定地点类别信息及时间信息，设计了一个模型，旨在解决基于知识图谱技术的用户的远期移动预测问题，提高了预测精确度。同时，对 POI 类别作为背景知识和辅助信息的实验结果表明，可帮助提升预测精度。

Nov, 2021

机器学习基于的自动驾驶车辆意图轨迹识别与预测

本文介绍了一种基于深度学习的预测方法，用于自动驾驶车辆的变道行为，旨在促进安全的变道操作，从而提高道路安全。

Feb, 2024

交互感知概率预测的情境可迁移语义图推理

本文提出了一个基于语义知识的预测框架，通过将驾驶场景建模为时空语义图，并推理这些图之间的内部关系，实现对自动驾驶汽车的行为预测。框架不仅实现了最先进的性能，而且具有良好的零样本迁移性。

Apr, 2020

基于异构图的轨迹预测：局部地图环境和社交互动

利用语义场景图、基于图像的地图特征以及锚路径生成，我们提出了一种改进的基于向量的轨迹预测方法，解决了交通参与者之间的复杂交互、地图背景和交通规则之间的挑战性问题，相较于基准模型 HoliGraph，我们的方法显示出明显的优势。

Nov, 2023

基于时序图神经网络的交互感知个性化车辆轨迹预测

利用时间图神经网络，提出了一种考虑交互的个性化车辆轨迹预测方法，通过预训练和微调，将个性化的预测结果与通用预测结果进行对比，并证明了个性化模型在较长时间预测范围内的卓越性能。

Aug, 2023

基于车辆轨迹数据的车道变更意图识别的机器学习方法比较分析

准确检测和预测车道变换过程可以帮助自动驾驶汽车更好地理解周围环境，识别潜在的安全危险并提高交通安全。本文侧重于车道变换过程，并比较了不同的机器学习方法在从高维时序数据中识别车道变换意图方面的性能。验证提出模型的性能，从 CitySim 数据集中提取了 1023 个车辆轨迹。对于车道变换意图识别问题，结果表明，集成方法减少了二型和三型分类错误的影响，具有 98% 的分类准确度。在不牺牲识别准确度的情况下，LightGBM 模型训练效率比 XGBoost 算法提高了 6 倍。

Jul, 2023