- 交通事故分析与预测的最新进展:机器学习技术的综合综述
此研究通过对最近在交通事故分析和预测中应用机器学习技术的全面回顾,解决了道路安全领域中对先进预测方法的需求。通过分析 191 项研究,重点关注预测事故风险、频率、严重程度、持续时间以及事故数据的统计分析,该研究展示了整合多样化数据源和先进机 - SmartRSD: 智能多模态实时道路表面检测系统用于安全驾驶
准确和及时地识别道路表面状况使车辆能够调整动作,如改变速度或使用特定的牵引控制技术,以降低事故的发生率,并减少驾驶员和行人的潜在危险。本文介绍了一种通过集成音频和图像进行道路表面状况自动检测的多模态方法。通过在各种环境条件和道路类型下收集的 - MM基于变分量子电路的强化学习的车载网络优化
本研究使用变分量子电路(VQC)多目标强化学习(MORL)框架来开发一个用于选择网络和自主驾驶政策的韧性和高效的决策策略,数字结果证明了 VQC-MORL 解决方案在收敛速度和奖励方面相对于传统的深度 Q 网络有显著的改进。
- 城市环境中利用集成学习克服 LLM 局限的精确稳健人行道检测
本研究旨在比较强大的集成模型与最先进的 ONE-PEACE 大型语言模型(LLM)在准确检测人行道方面的效果,准确的人行道检测对于提高道路安全和城市规划至关重要。研究评估了模型在 Cityscapes、Ade20k 和波士顿数据集上的性能, - 全球车牌数据集
为了推动道路安全、交通监控、监视和物流自动化的最新技术,我们引入了全球车牌数据集(GLPD)。该数据集由超过 500 万张图像组成,包括来自 74 个国家的多样化样本,并具有精细的注释,包括车牌字符、车牌分割掩码、车牌角点以及车辆的制造商、 - 基于卷积神经网络的 GTRSB 交通标志检测和分类优化
在交通运输不断演进的背景下,汽车的普及使道路交通更加复杂,需要先进的视觉辅助技术来提高安全性和导航能力。本文提出了一种基于卷积神经网络的创新方法,实现了接近 96% 的准确率,突出了通过高级定位技术可以实现更高的精度,这不仅对交通标志识别技 - 奥地利自动驾驶中基于 YOLO 和 DETR 的深度学习视觉模型初步定性观察
这项研究探讨了单阶段和两阶段的 2D 目标检测算法,例如 You Only Look Once (YOLO) 和 Real-Time DEtection TRansformer (RT-DETR) 算法在奥地利道路的自动化目标检测中的应用, - G-MEMP:驾驶中基于注视增强的多模态自我运动预测
我们研究了司机的决策过程对确保道路安全的重要性,通过利用司机的注视数据来推测司机自身的车辆行驶轨迹,提出了 G-MEMP 方法,利用 GPS、视频和注视数据进行多模态的自身车辆行驶轨迹预测,并通过提出的路径复杂度指数(PCI)来评估轨迹复杂 - 基于基础设施的警告系统对驾驶行为的评估 —— 环形交叉口研究
通过驾驶模拟器研究,探讨了基于基础设施的警告系统在改善交通安全和减少事故风险方面的作用,结果显示提前发出警告可以显著提高安全性。
- 从视频中预测驾驶员意图
通过使用车内和外部摄像头数据,本研究提出了一种新的方法来改善对未来驾驶动作的预测性能,通过明确提取外部摄像头数据中的对象和道路级特征,我们的模型能够更准确地提前预测驾驶员意图,并提高道路安全性。
- PotholeGuard: 基于点云语义分割的路面坑洞检测方法
我们的研究提出了一种创新的基于点云的坑洞分割架构(PotholeGuard),通过有效地识别隐藏的特征并利用反馈机制增强局部特征,提高特征表达。我们引入了本地关系学习模块以了解局部形状关系,增强结构洞察力。此外,我们提出了一个轻量级的自适应 - 实时交通标志检测:圣克拉拉郊区案例研究
该研究项目旨在开发一个实时交通标志检测系统,使用 YOLOv5 架构并在郊区社区中进行高效的交通标志识别。项目的主要目标是在多样化的交通标志图像数据集上训练 YOLOv5 模型,并在适用于实时推断的硬件平台上部署该模型。该系统利用训练有素的 - 预测事故严重程度:使用随机森林模型分析影响事故严重程度的因素
这项研究调查了使用随机森林机器学习算法预测事故严重程度的有效性,在大型都市地区的事故记录数据集上训练模型并使用各种指标进行评估,结果显示随机森林模型能够有效地预测事故严重程度,准确率超过 80%,并确定了模型中最重要的变量,包括风速、气压、 - 通过车辆动力学实现对驾驶员生理状况的评估
该论文介绍了如何将车辆转化为一个连接的生态系统,能够评估驾驶员的生理状况,以及如何从传感器数据中提取关键参数,通过驾驶员行为及其外部环境来揭示重要的生理反应,从而提高道路安全。
- RoadScan: 一种新颖且稳健的自动驾驶道路坑洞检测的迁移学习框架
这篇研究论文介绍了一种使用深度学习和图像处理技术进行坑洼检测的新方法,提出的系统利用 VGG16 模型进行特征提取,并采用自定义的具有三重损失的 Siamese 网络(称为 RoadScan),以解决道路上的坑洼问题对道路使用者的重大风险。
- 超级自动驾驶 AI:面向端到端学习的设计和实现
本研究提出基于深度神经网络的端到端学习自动驾驶系统 SuperDriver AI,该系统学习来自经验丰富的人类驾驶员的驾驶行为和政策,采取驾驶操作并确保路面安全。实验结果表明,该系统在真实行驶场景下运行良好。
- 女性和男性个性化步行者 SAFER 人体模型的开发和全身验证
开发生物模拟男女行人 HBMs,经过新开发的基于图像配准的网格变形框架个性化代表一系列人体测量数据是增进道路安全的重要举措。该研究通过实验验证了这些个性化 HBMs 在整体行人碰撞中重现观察到的行人运动学能力的优越性,提供了全面准确重建和评 - 利用图卷积循环网络准确检测危险驾驶行为以增强道路安全
提出了一种基于图卷积长短期记忆网络模型的可靠的驾驶行为检测系统,它使用公共传感器增强了传感器数据模型的精度和实用性。同时,我们引入了非公共传感器用于评估模型的有效性,结果显示该模型在两种情况下的准确率均表现出一致性和高精度,这个系统可以有效 - 基于视频流的骑行近距离通行事件检测基准
本文介绍了一个新的基准测试,名为 Cyc-CP,用于从视频流中检测骑行中的紧贴近路误事故。我们提出了两种基于深度学习技术的基准模型,为这两个问题提供了 88.13%和 84.60%的准确性,并提供了数据集和检测模型以促进更多深入研究。
- TAP: 道路网络交通事故预测的综合数据存储库
本研究旨在构建一个基于图形结构的交通事故预测数据仓库并评估不同机器学习方法的效果,通过将图形神经网络等特殊的机器学习算法应用于交通事故预测问题中,本研究展示了交通事故预测与道路网络的关系。