Jan, 2024

SwapTransformer: 基于 OSHA 数据集的模仿学习高速公路超车战术规划模型

PDF
TL;DR该研究聚焦于高速公路场景中的高层次决策问题，旨在改善高速公路上自动超车和变道的旅行辅助功能。研究提出了名为 SwapTransformer 的架构作为模仿学习方法，通过辅助任务来帮助模型更好地理解周围环境。实验结果表明，SwapTransformer 模型在不同的交通密度下在推理阶段表现优于其他模型。
high-level decision-makinglane changingovertakingswaptransformerauxiliary tasks
发现论文，激发创造
  • 基于运动变压器的轨迹预测的迁移学习研究

    基于变压器模型的模拟研究进行了转移学习技术的研究，旨在为在现实世界中实现有效的转移提供性能与计算时间之间可能的权衡的见解。

    Apr, 2024

  • 自动驾驶超车情景的数据和知识

    本文提出一个新的综合数据集，重点集中在超车操作上，同时回顾了自主驾驶技术的现状以及现有数据集的局限性并提出了一组新的特征集。

    May, 2023

  • 融合 Transformer 和时空自监督学习的长期交通预测

    利用混合 Transformer 和时空自监督学习的模型来提高长期交通预测的鲁棒性，该模型通过在交通数据的序列级和图级应用自适应数据增强技术来增强其鲁棒性，利用 Transformer 克服了循环神经网络在捕捉长期序列方面的局限性，并采用 Chebyshev 多项式图卷积来捕捉复杂的空间依赖关系。此外，考虑到时空异质性对交通速度的影响，我们设计了两个自监督学习任务来建模时空异质性，从而提高模型的准确性和泛化能力。在两个真实数据集 PeMS04 和 PeMS08 上进行了实验评估，结果进行了可视化和分析，证明了所提模型的卓越性能。

    Jan, 2024

  • 基于自监督学习框架和遮挡图像建模的新型驾驶员分神行为检测

    本文介绍了一种基于自监督学习的用于驾驶员分心检测的新方法，该方法使用遮罩图像建模进行自监督学习，并利用 Swin Transformer 作为编码器以增强性能，最终使用各种数据增广策略加上最佳的随机遮罩策略来加强模型的识别和泛化能力，测试结果表明，该方法的准确率为 99.60％，接近先进的监督学习方法的出色表现。

    Jun, 2023

  • 基于 Transformer 的端到端车道形状预测

    本文提出了一种使用 transformer 网络进行车道检测的端到端方法，使用自我注意机制来捕捉细长结构和全局上下文，并在 TuSimple 基准测试中展示了最新的准确性，适应性和实际应用的强大部署潜力。

    Nov, 2020

  • 基于 Transformer 序列到序列模型的城市道路网络中使用 NLP 实现的轨迹映射匹配

    使用基于变压器的编码器 - 解码器模型，将噪声 GPS 数据转化为城市道路网络上的导航路线，大规模地理定位遥测数据对于增强智能城市的移动基础设施和操作系统具有巨大潜力。

    Apr, 2024

  • TrTr：一种基于 Transformer 的多功能预训练大型交通模型，用于捕捉车辆群体中的轨迹多样性

    使用 Transformer 技术，通过分析其注意机制并设计特定的预训练任务，可以学习车辆群体内轨迹的多样性，同时预训练模型在捕捉车辆群体的空间分布方面表现出色，并能准确预测时间序列中的轨迹速度。

    Sep, 2023

  • TransFuser：基于 Transformer 传感器融合的自动驾驶模仿

    该研究介绍了 TransFuser - 一种使用自我注意力机制将图像和雷达的信息进行融合，以提高自动驾驶中辨识物体和行驶路径的性能，实验证明该方法的表现在 CARLA 排行榜上优于以往所有的算法。

    May, 2022

  • STrajNet：用于自动驾驶中占用流场预测的多模态分层 Transformer

    本文提出了一种新颖的多模态分层 transformer 网络，通过融合被向量化的（流动代理）和视觉场景（流场、地图和占用）模式，以及交通代理之间的社会交互和占用和流之间的关系，来共同预测场景的流和占用，证明了该方法在 Waymo 开放运动数据集上的有效性。

    Jul, 2022

  • LASIL: 面向学习者感知的长期微观交通模拟的有监督模仿学习

    本文介绍了一种称为学习者感知的监督式模仿学习模型，用于解决多智能体模仿学习中的协变量转移问题，通过利用变分自动编码器同时建模专家和学习者状态分布，在城市交通仿真中应用，展示了在真实数据集 pNEUMA 上在短期微观和长期宏观仿真中相较于现有 baselines 的显著改进。

    Mar, 2024