Jan, 2024

通过定性场景理解和解释实现可信的自动驾驶

PDF
TL;DR我们提出了定性可解释图（QXG）：一种用于城市移动中场景理解的统一符号和定性表示。QXG 利用时空图和定性约束从原始传感器输入（如 LiDAR 和相机数据）中提取场景语义，为自动车辆的环境进行解读，从而提供了一种可理解的场景模型。QXG 具备实时递增构建的能力，使其成为针对不同类型传感器的车内解释和实时决策的多功能工具。我们的研究展示了 QXG 的转型潜力，特别是在自动驾驶的背景下，通过将图与车辆行为相连接，阐明决策原理。这些解释服务于多种目的，从通知乘客和警示弱势道路使用者（VRUs），到促进先前行为的后续分析。
发现论文，激发创造
  • 通过定性场景理解和解释实现可靠的自动驾驶

    自动驾驶中使用的定性可解释图 (QXG) 能够通过传感器数据和机器学习模型解释自动驾驶车辆的环境，利用时空图和定性约束从原始传感器输入中提取场景语义，支持实时增量构建，可用于车内解释和决策合理化。

    Mar, 2024

  • 获取自动驾驶场景解释的定性可解释图

    汽车自动驾驶中的鲁棒公平可解释人工智能方法的发展是其未来的基础。本文提出了一种名为 Qualitative eXplainable Graph（QXG）的汽车自动驾驶场景的新表达方法，用于对长期场景进行定性时空推理。实验证明，这种定性可解释图的实时计算和轻量级存储为改进和更可信赖的感知与控制过程提供了潜在的有趣工具。

    Aug, 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 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

  • 时空事件图像用于动态场景理解

    该论文介绍了关于动态场景理解的研究，主要涉及自动驾驶、道路事件检测、视频活动检测、持续学习等内容。

    Dec, 2023

  • 场景图上的可解释和显式视觉推理

    通过使用场景图作为归纳偏差，我们设计了一种简洁灵活的可解释和显式神经模块（XNMs），并且能够显式追踪图形注意力的推理流程。当使用完美检测的场景图时， XNMs 能够在 CLEVR 和 CLEVR CoGenT 上实现 100％的准确率，当嘈杂地检测真实世界图像时，XNMs 仍然能够达到竞争性 67.5％的 VQAv2.0 准确度，超越了流行的无结构模型。

    Dec, 2018

  • RS2G: 数据驱动场景图提取和嵌入用于鲁棒的自主感知和场景理解

    提出了一种数据驱动的图提取和建模方法，称为 RoadScene2Graph (RS2G)，它能够学习提取用于解决自主场景理解任务的道路场景的最佳图表示，并提高图学习方法的泛化性和仿真数据到实际场景的转移能力。

    Apr, 2023

  • GraphAD: 交互场景图用于端到端自动驾驶

    本文提出了 Interaction Scene Graph (ISG) 作为一种统一的方法，用于建模自动驾驶中的自车、道路代理和地图元素之间的相互作用，并在 nuScenes 数据集上进行评估，显示出较强的全栈驾驶任务性能优势。

    Mar, 2024

  • 视觉问答中的场景图推理

    我们提出了一种基于场景图和强化学习的方法来解决视觉问答任务，实验结果表明该方法在 GQA 数据集上已达到接近人类水平的效果。

    Jul, 2020

  • 利用异构图表示实现可解释的运动预测

    本研究提出了一种新型的可解释的异质图策略模型 (XHGP)，并探讨了利用 GNNExplainer 和反事实推理来提高运动预测系统的可解释性，以便达到更为透明和可靠的自动驾驶需求。

    Dec, 2022