Feb, 2024

机器学习基于的自动驾驶车辆意图轨迹识别与预测

PDF
TL;DR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。
autonomous driving technologytraffic safety incidentslane-changing behaviorautonomous lane changedeep learning-based prediction method
发现论文，激发创造
  • 基于 LSTM 的自动驾驶换道安全预测模型

    自动驾驶技术能够提高交通安全和减少事故，本研究提出了基于短期记忆 (LSTM) 网络的安全敏感深度学习模型来预测轨迹，通过考虑交互信息的意图识别模块，实现高准确性和流畅性的车道变换，并优化自动驾驶轨迹规划。

    Feb, 2024

  • 自主高速公路驾驶的预测决策

    本文提出了一种基于预测的深度强化学习决策模型，考虑了周围车辆的操作意图，并使用真实交通数据进行训练。经过模拟测试，结果表明和基于深度强化学习的模型相比，该模型在复杂的高速公路驾驶场景中提高了决策性能，从而减少了碰撞数量，实现了更安全的驾驶。

    Sep, 2022

  • 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

  • 车道关注：通过学习车道上的注意力预测车辆的运动轨迹

    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

  • 安全自主驾驶的自我感知轨迹预测

    本文提出了一种自我感知的轨迹预测方法，结合两阶段训练过程来评估在线轨迹预测模块的性能，为实现安全可靠的自主驾驶创造了条件。

    May, 2023

  • 利用深度强化学习进行动态和不确定高速公路环境下的自动车道变更决策

    研究开发了一个新型仿真环境，采用深度强化学习的方法训练代理人，在动态和不确定的交通环境中实现了一致的性能，并表明所提出的数据驱动方法在嘈杂的环境中表现显著优于完全依赖启发式的方法。

    Sep, 2019

  • 机器学习用于自主驾驶车辆轨迹预测：综述、挑战与未来研究方向

    本文综述了自动驾驶车辆 (AD) 的轨迹预测方法，重点讨论了基于机器学习的方法，包括深度学习和强化学习。该文还研究了常用的数据集和评估指标，并比较了两个主要的学习流程。通过确定现有文献中存在的挑战和潜在研究方向，本综述在 AD 轨迹预测方面做出了重要贡献。

    Jul, 2023

  • 基于深度学习的自主驾驶汽车行为预测综述

    综述了深度学习在自动驾驶车辆行为预测中的应用及其性能，针对输入表征、输出类型和预测方法等三个方面对最近的深度学习解决方案进行分类和审视，并探讨了研究中的差距和潜在的新的研究方向。

    Dec, 2019

  • 基于 SLAM 技术的自动换道行为预测与环境感知

    研究论文探讨了在自动驾驶系统中应用 SLAM 技术（同时定位与地图构建），以实现自动车道变换行为预测和环境感知。通过比较激光雷达 SLAM 和视觉 SLAM，介绍了传统定位方法的局限性，并展示了特斯拉、Waymo 和 Mobileye 等公司在自动驾驶系统中应用人工智能技术、传感器融合和 SLAM。研究还深入探讨了 SLAM 算法、传感器技术以及自动车道变换在驾驶安全和效率中的重要性。论文强调了 SLAM 在实现准确的环境感知、定位和决策方面的关键作用，从而提升安全性和驾驶体验。

    Apr, 2024

  • 自动驾驶车辆的多模态概率轨迹预测与车道关注

    本文提出一种基于实例感知的车道表示法和目标導向车道注意力模型，结合车道特征和车辆轨迹特征进行车辆位置预测，并在 NeurIPS 2019 的 Argoverse 运动预测竞赛中获得第三名，实验证明了模型的有效性。

    Jul, 2020