基于 LDM 系统的停车场场景动态风险评估方法
这篇研究论文介绍了一种基于人工神经网络的实时动态风险评估框架,利用车载传感器数据分析和分类风险维度,将传统风险评估方法应用于智能交通系统,以提高自动驾驶系统的安全性能。
Jan, 2024
为应对气候现象引起的基础设施风险,提出了一种基于技术的自适应决策支持系统(TDADSS-IPM),采用贝叶斯信念网络(BBN)实现丹麦道路状况的实际情况。
May, 2023
本文提出一种新的端到端解决方案,通过识别驾驶车辆在每个方向上最近的障碍物,用于计算最近障碍物的距离,并将其合并到统一的端到端架构中,实现联合物体检测、路缘检测和安全可驾驶区域检测,最终通过相机为基础系统和 3D 对象检测来在停车和行驶模式下实现这些目标的潜力。
May, 2018
提出了一种联合风险定位和风险解释的研究方向,使用 DRAMA 数据集探索了交互式驾驶场景中的多方面联合风险定位和字幕,其中包括多任务预测架构的基准测试和详细分析。
Sep, 2022
本文介绍了一种用于交通场景风险评估的方法,主要关注可视性受限的路口场景。通过使用局部动态地图进行光线投射以获得视野区域,识别存在潜在风险的场景实体并进行碰撞风险评估,得出用于评估驾驶人行为的风险指标,并通过实际场景验证其有效性。
Mar, 2023
增长的自动驾驶功能的复杂性和重要性,导致了对在虚拟环境和模拟模型中覆盖开发、验证和验证的显著比例的需求。我们提出了一种系统获取公共交通数据的方法,通过异构手段转换为统一表示,并用它来自动参数化交通行为模型,以用于数据驱动的自动驾驶功能的虚拟验证。
May, 2024
自动驾驶技术中一个关键的挑战是在地下停车场环境中测试和改进感知算法的安全性能,本研究提出了一种针对地下停车场环境加速生成感知失败场景的方法,通过学习背景车辆与自动驾驶车辆之间的相互作用,以增加关键信息密度,优化学习和生成感知失败场景,从而提高算法在该实验环境中的安全性能。
Jul, 2024
驾驶行为相关事故的避险技术对于风险缓解至关重要。我们提供了一种新的多类驾驶员分心风险评估(MDDRA)模型,该模型在旅程中考虑了车辆、驾驶员和环境数据。MDDRA 通过风险矩阵将驾驶员分类为安全、不小心或危险。我们使用 Field Operation Test(TeleFOT)收集了在英国东米德兰地区使用相同路线的真实数据。结果显示,通过减少由驾驶员分心引起的道路事故是可能的。我们还研究了分心(驾驶员、车辆和环境)与基于连续分心严重程度评分的分类严重程度之间的相关性。此外,我们应用机器学习技术对驾驶员分心进行分类和预测,以在情况被认为存在风险时帮助控制从驾驶员转移到车辆(接管车辆)。集成袋装树算法表现最佳,准确率为 96.2%。
Feb, 2024
在这项工作中,我们提出了一种汽车传感器丰富的平台和学习算法用于机动预测,该平台使用多个传感器流并联学习以提前预测机动,并提出了一种新颖的训练流程,我们提供了一个包含 1180 英里自然高速公路和城市行驶数据集,在现实时间内可以预测 3.5 秒的机动,精确度和召回率分别为 90.5%和 87.4%。
Jan, 2016