Feb, 2024

PIP-Net：野外行人意图预测

PDF
TL;DR通过自动驾驶汽车实现精确的行人意图预测是当前研究中的挑战之一。本文介绍了 PIP-Net 框架，用于预测自动驾驶汽车在现实城市场景中行人过马路意图。该模型利用运动数据和驾驶场景的空间特征，采用一种基于循环和时间注意力的解决方案，优于当前最先进的模型。为了提高道路使用者的视觉表达以及它们与本车的距离，我们引入了一个分类深度特征图和一个局部运动流特征，提供对场景动态的丰富洞察力。此外，我们还探索了将视野从一个相机扩展到围绕本车的三个相机的影响，从而增强了模型的上下文感知能力。根据交通场景和道路环境的不同，该模型能够提前 4 秒准确预测行人过马路意图，这是当前行人意图预测研究的突破。最后，我们首次提出了 Urban-PIP 数据集，这是一个自动驾驶情景下的定制行人意图预测数据集，包含多相机注释。
发现论文，激发创造
  • PiP：面向自动驾驶的规划感知轨迹预测

    为了实现自动驾驶规划的社交合规和灵活性，我们提出了以规划为基础的轨迹预测（PiP）方法，通过利用自车的规划信息来指导预测过程，实现了在高速公路数据集上多智能体预测的最佳表现。此外，我们的方法通过将 PiP 与自车多个候选轨迹相结合，实现了预测和规划的新型流程，对于交互式场景中的自动驾驶非常有益。

    Mar, 2020

  • 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

  • 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

  • 基于时空 DenseNet 的自主地面车辆的行人实时意图预测

    本文提出了一种基于图像序列的单目 RGB 相机的实时框架，使用区别于基线方法的跟踪 - 检测技术和创新的时空 DenseNet 模型识别、跟踪和预测行人在城市交通环境中的意图和动作，以实现对自主地面车辆行为的理解。实验表明，该方法在实时性和效果方面比其他基线方法更具鲁棒性和竞争力，平均精度得分为 84.76％，帧率为 20FPS。

    Apr, 2019

  • 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

  • 城市交通中行人动作和意图识别

    本研究使用多种特征提取方法和机器学习算法，使用 JAAD 数据集为基础，聚焦于行人运动和头部方向的检测，达到了 72% 和 85% 的准确率，能有效解决自动驾驶和高级驾驶辅助系统中的行人意图和行动识别问题。

    Oct, 2018

  • 基于循环神经网络的自然驾驶员意图和路径预测

    使用循环神经网络和混合密度网络在城市路口进行多模态路径预测和聚类，验证了方法的性能和广泛适用性。

    Jul, 2018

  • 使用深度神经网络进行行人预测的规划

    本文介绍了一种基于自主行车的防撞技术，包括预测行人通过模拟其自身运动规划、推断可能的目的地、规划阶段和行为模式预测的神经网络。实验结果表明，系统能够准确地预测目的地和轨迹。

    Jun, 2017

  • 混合交叉口场景下的意图感知决策

    本文提出了一种针对行人和自动驾驶汽车在无红绿灯的过街场景中交互的白盒意图感知决策方法，并提供了一个设计框架。作者采用黑盒意图检测和白盒决策的混合方法实现了类人行为和预防死锁，此方法计算量低并能考虑不同的行人行为。

    Mar, 2023

  • GoalNet: 面向目标区域的行人轨迹预测

    通过使用场景上下文和观察到的轨迹预测目标点，再根据目标点预测未来轨迹，GoalNet 可以显著提高行人轨迹预测的性能。

    Feb, 2024