超越经验窗口:自主驾驶车辆中一种基于注意力机制的信任预测方法
本文提出使用递归神经网络观察编码以及基于此的车辆行为交互网络(VBIN),通过捕捉每对交互的隐藏状态和连结特征来预测车辆未来行为,从而提高自动驾驶车辆的规划能力和准确性。
Mar, 2019
这篇论文提出了一种基于深度卷积模型的统一表征方法,该方法在使用3D感知信号和语义地图的基础上,通过深度卷积模型,学习了实体和场景之间的交互,并能够有效地预测自动驾驶系统中实体的行为表现。
Jun, 2019
通过关注机制和LSTM网络,该文研究了自动驾驶车辆中驾驶员意图与车辆位置变化的关系,并将其用于预测,采用非欧几里得图形和图神经网络等处理方式比其他最先进技术表现更好,此模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。
Sep, 2019
CoverNet是一种用于城市驾驶中的多模态、概率轨迹预测的新方法,将轨迹预测问题作为一组多样化轨迹的分类问题来解决,并通过动态生成轨迹组来提高方法的效率。
Nov, 2019
本文提出了ProspectNet作为一种新的机制,通过采用加权注意分数来建模交互代理对之间的相互影响和联合行为识别来解决自主驾驶软件解决方案中的行为预测问题。实验结果表明ProspectNet性能优于两个边缘预测的Cartesian乘积,并在Waymo交互运动预测基准上达到了可比较的性能。
Aug, 2022
该论文研究了一种基于Trajectron ++的Trajectory Forecasting模型,并通过在其Attendant模块中加入平滑项来增强该模型的性能,该注意机制模仿人类关注的限制,将认知过程和机器学习模型整合起来,从而提高自主车辆的规划系统的可靠性和安全性。此外,该研究还对平滑Trajectron++模型在不同基准测试中的表现进行了评估并与原始模型进行了比较,揭示了将人类认知洞察力引入轨迹预测模型的潜力。
May, 2023
通过研究合成数据集在训练复杂的多任务模型中的实用性,特别是在数据可用性有限的情况下,以及视觉基础模型的比较功效,本研究揭示了关于合成数据和视觉基础模型在实际应用中的挑战和机遇。
Mar, 2024
自动驾驶汽车中人工智能的可解释性和人机界面对于建立信任起到重要作用,因此本研究探讨了可解释性人机系统的作用,提出了一种评估用户对自动驾驶行为的信任的情境感知框架,并通过实验证明了相关的经验结果。
Apr, 2024
通过使用动态结构方程模型,我们提出了一种用于预测信任动态的模型。在无人机模拟任务中,我们以90%的准确率预测了过度/不足的信任,而在自动驾驶任务中,我们以99%的准确率进行了预测。这些结果表明我们的方法优于传统方法,包括自回归模型。
Jul, 2024
本研究解决了自动驾驶汽车(AV)信任度低的问题,这是其普及的重要障碍。通过机器学习分析了1457名参与者的个人特征,发现感知的风险和收益、对可行性和可用性的态度以及个人的心理模型是信任度的重要预测因素。本研究强调了设计值得信赖的AV时考虑个体差异的重要性,并对未来设计和研究提出了关键的启示。
Sep, 2024