Apr, 2024

预训练图神经网络基于自动驾驶的智能交通场景理解模型

PDF
TL;DR基于图注意力网络的通用预训练场景理解模型能够学习交通场景的通用交互和推理，支持各种下游任务，通过在城市和高速公路场景中进行验证实验，证明了该模型具有广泛应用的潜力，并通过消融实验展示了预训练任务设计的有效性。
发现论文，激发创造
  • 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

  • 基于关系的交通场景图的运动预测

    通过建立空间语义场景图和使用图神经网络来探讨 Traffic participants 之间的关系对于预测自动驾驶中的加速度和减速度等相关参数具有重要作用。这种建模方式不仅可以提高预测结果，也可以通过包含先前场景的附加信息提高预测性能。

    Nov, 2022

  • 可解释的端到端驾驶模型用于隐式场景理解

    通过传感器数据获取综合场景信息，并为下游任务提供基础，对于自动驾驶车辆的安全至关重要，本文提出了一种端到端的可解释性隐式驾驶场景理解模型，通过规划模块引导提取隐式高维场景特征作为场景理解结果，并使用辅助感知任务进行可视化验证，实验证明我们的方法在 CARLA 基准测试上达到了最新的最高水平，并能够获取体现与驾驶相关的更丰富的场景信息，实现下游规划的卓越性能。

    Aug, 2023

  • SCOUT: 社交一致且易理解的图形注意力网络，用于车辆和 VRU 的轨迹预测

    本研究提出了一种基于图神经网络和关注机制的 SCOUT 系统用于模拟自主驾驶车辆和 VRUs 的路径规划，并在 InD 和 ApolloScape 轨迹基准测试中达到超越现有技术的表现，同时也验证了该模型的灵活性和可转移能力，通过 Integrated Gradients 技术和关注可视化方式来探索互动交互在预测中的作用和影响。

    Feb, 2021

  • 交互感知概率预测的情境可迁移语义图推理

    本文提出了一个基于语义知识的预测框架，通过将驾驶场景建模为时空语义图，并推理这些图之间的内部关系，实现对自动驾驶汽车的行为预测。框架不仅实现了最先进的性能，而且具有良好的零样本迁移性。

    Apr, 2020

  • SEPT：面向运动预测的高效场景表示学习

    该研究呈现了 SEPT，一个利用自我监督学习来开发复杂交通场景的强大时空理解能力的建模框架，其通过三个遮蔽 - 重构建模任务对包括车辆轨迹和道路网络在内的场景输入进行预训练，然后在下游预测任务上微调，实验证明 SEPT 在 Argoverse 1 和 Argoverse 2 运动预测基准测试中无需繁琐的架构设计或手动特征工程，在所有主要指标上都显著优于以前的方法。

    Sep, 2023

  • 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

  • 通过自监督几何建模进行自动驾驶政策预训练

    本文提出了一种名为 PPGeo 的全自监督框架，通过对大规模不加标定、未标注的 YouTube 自驾视频建模，学习有关 visuomotor driving 的方针表示，从而解决样本不足和决策信息过剩等问题，并在多方面挑战性场景下取得了较大的改进。

    Jan, 2023

  • 一种概率性通用交通场景预测框架

    本文提出了一种概率框架，能够在任何驾驶场景下联合预测多个交通参与者的连续运动，并能够预测每个交互的持续时间，以提高预测性能和效率。该框架包含两个层次模块：上层模块预测预测车辆的意图，下层模块预测与其交互的场景中其他实体的运动，为自主车辆的决策制定和运动规划提供支持。

    Oct, 2018

  • DriveWorld：4D 预训练场景理解通过 World 模型用于自动驾驶

    通过 DriveWorld 框架，从多摄像头自驾车视频中进行时空预训练，有效提高了各种自主驾驶任务的性能。

    May, 2024