Assessing the Completeness of Traffic Scenario Categories for Automated Highway Driving Functions via Cluster-based Analysis
Technische Hochschule Ingolstadt(英戈尔施塔特应用技术大学);AUDI AG(奥迪股份公司)
本文提出基于CVQ-VAE的交通场景聚类流程,分析类别数量对完整性影响,在highD数据集上取得更优聚类性能,并讨论质量与数据量权衡。
2025-10-27 cs.LG
Self Supervised Clustering of Traffic Scenes using Graph Representations
FZI Research Center for Information Technology(FZI信息技术研究中心);KIT - Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
检查图的相似性是一个众所周知的挑战,但对于将图分组在一起是强制性的。我们提出了一种数据驱动的方法来聚类交通场景,这是自我监督,即没有手动标记。我们利用语义场景图模型来创建一个通用的图形嵌入的交通场景,然后映射到一个低维嵌入空间,使用暹罗网络,在其中进行聚类。在我们的新方法的训练过程中,我们增加现有的交通场景中的笛卡尔空间,以产生积极的相似性样本。这使我们能够克服重建图的挑战,同时获得一个表示来描述交通场景的相似性。我们可以证明,由此产生的集群具有共同的语义特征。该方法在INTERACTION数据集上进行了评估。
2022-11-24 cs.CV cs.LG cs.RO
DKGCM: A Spatio-Temporal Prediction Model for Traffic Flow by Fusing Spatial Node Clustering Method and Fourier Bidirectional Mamba Mechanism
Sun Yat-sen University(中山大学)
本文提出 DKGCM 模型,通过 DK-GCN 空间节点聚类和融合 FFT 的双向 Mamba 机制分别捕获时空依赖,并引入 GRPO 优化训练,在三个公开数据集上取得优于先进方法的预测效果。
2025-06-26 cs.AI cs.LG
Application of the Affinity Propagation Clustering Technique to obtain traffic accident clusters at macro, meso, and micro levels
Federal University of Rio Grande do Sul(南里奥格兰德联邦大学)
事故分组是确定事故多发地点的关键步骤。在不同的事故分组模式中,聚类方法在发现事故在空间上的不同分布方面表现出优异的性能。这项工作介绍了相似性传播聚类(APC)方法分组交通事故的基础上,在空间中的数据点分布之间的相似性和相异性的标准。APC从实例之间的相似性矩阵提供了事件分布的更真实的表示。结果表明,当获得具有代表性的数据样本时,相似性偏好参数为模型的校准和根据期望特征生成聚类提供了必要的性能。此外,研究表明,偏好参数作为一个连续的参数,有利于校准和控制模型的收敛性,允许发现聚类模式与更少的努力和更大的控制结果
2022-02-09 cs.DC cs.LG
Placement of UAV-Mounted Mobile Base Station through User Load-Feature K-means Clustering
New Mexico Tech(新墨西哥理工学院);Amir Kabir University of Technology(阿米尔·卡比尔理工大学);Utah Valley university(犹他谷大学)
蜂窝网络中的临时高业务请求是要解决的具有挑战性的问题。无人机的最新进展适用于覆盖这些类型的交通。无人机载移动基站布局是实现高性能的一个具有挑战性的问题.已经提出了不同的方法;然而,在无人机放置中不考虑用户需要的交通。我们提出了一个新的功能,适用于K-均值聚类,以找到最佳的集群。用户所需的交通被定义为一个新的功能,以分配用户的无人机。我们的仿真结果表明,无人机可以放置在更接近高流量的用户,以实现更高的性能。
2020-10-03 cs.LG cs.NI eess.SP
Unsupervised Baseline Clustering and Incremental Adaptation for IoT Device Traffic Profiling
The Beacom College of Computer \& Cyber Sciences Dakota State University Madison, SD, USA
提出两阶段无监督流量分析流程,使用DBSCAN进行基线聚类(NMI 0.78),BIRCH实现增量自适应(纯度0.87),揭示静态高纯度与增量灵活性之间的权衡。
2026-02-27 cs.CR cs.LG cs.NI
Clustering of Time Series Data with Prior Geographical Information
University of California Irvine(加州大学欧文分校)
时间序列数据在运输系统的各个领域中得到了广泛的研究。交通数据领域具有挑战性的时空数据的例子,因为它是在空间和时间邻域中具有高度相关性的多变量时间序列。交通流数据的时空聚类在空间域和时间域都能发现相似的模式,为交通网络的分析提供了更好的能力,并改进了相关的机器学习模型,如交通流预测和异常检测。在本文中,我们提出了一个时空聚类模型,它聚类的时间序列数据的基础上的空间和时间的背景。我们提出了一个变化的深度嵌入式聚类(DEC)模型,寻找时空集群。提出的模型Spatial-DEC(S-DEC)使用先验地理信息来构建潜在特征表示。我们还定义了时空集群的评价指标。使用DTW距离评价时,得到的聚类不仅具有更好的时间相似性,而且聚类更好地表示空间连通性和不连通性。我们在分析中使用PeMS获得的交通流量数据。实验结果表明,提出的空间离散元算法能够发现更多的期望时空簇。
2021-07-03 cs.LG
An Unsupervised Random Forest Clustering Technique for Automatic Traffic Scenario Categorization
Technische Hochschule Ingolstadt(英戈尔施塔特应用技术大学)
本文提出了一种改进的用于交通状况分类的随机森林算法。该过程产生了一种无监督的机器学习方法。该算法生成一个包含相似性度量的邻近矩阵。这个矩阵,然后重新排序与层次聚类,以实现一个图形化的可解释的表示。它显示了如何得到的接近矩阵可以直观地解释,以及如何变化的方法的元参数揭示了不同的见解的数据。所提出的方法是能够聚类数据从任何数据源。为了证明该方法的潜力,本文使用了来自交通模拟的多个功能。交通情景聚类的知识对于加速验证过程至关重要。该方法的思路是场景模板可以从实际的交通情况自动生成。这些模板可用于开发过程的所有阶段。结果证明,该程序是非常适合的交通场景的自动分类。各种其他应用程序可以从这项工作中受益。
2020-04-05 cs.LG eess.SP
Unsupervised and Supervised Learning with the Random Forest Algorithm for Traffic Scenario Clustering and Classification
Technische Hochschule Ingolstadt, Research Center CARISSMA(英戈尔施塔特应用科学大学CARISSMA研究中心);Technical University of Munich(慕尼黑工业大学)
本文的目标是提供一种方法,这是能够自动发现类别的交通场景。该体系结构由三个主要组成部分:微观交通模拟,聚类技术和分类技术的操作阶段。开发的仿真工具分别对每辆车进行建模,同时保持彼此之间的依赖关系。聚类方法包括一个修改后的无监督随机森林算法,找到一个数据自适应的相似性度量所有的情况。作为其中的一部分,路径邻近,一种新的技术来确定基于随机森林算法的相似性。在聚类的第二部分中,相似性用于定义一组聚类。在第三部分中,使用操作阶段的定义的聚类训练随机森林分类器。一个阈值技术,以确保一定的置信水平的类分配。该方法适用于高速公路场景。结果表明,所提出的方法是一种很好的方法来自动分类的交通场景,这是特别相关的测试自动驾驶汽车的功能。
2020-04-05 cs.LG eess.SP
Application of Bounded Total Variation Denoising in Urban Traffic Analysis
1 School of Mathematical Sciences, University of Chinese Academy of Sciences;LSEC, Institute of Computational Mathematics;Scientific/Engineering Computing, Academy of Mathematics;Systems Science, Beijing 100190, China 2 NCMIS \& LSEC, Institute of Computational Mathematics;School of Mathematical Sciences, University of Chinese Academy of Sciences
本文提出利用 bounded 总变差去噪方法提升城市交通分析的准确性,通过改进的去噪算法和神经网络结合历史匹配方法,提高了交通预测和聚类的性能。
2019-02-25 cs.LG cs.NA math.NA
Categorizing Flight Paths using Data Visualization and Clustering Methodologies
The Ohio State University(俄亥俄州立大学)
本研究利用空管数据集与可视化工具DV8,提出地理距离和余弦相似度两种飞行路径聚类方法,结合自动判定与人在环流程实现有效聚类,并通过点提取技术提升计算效率,适配不同飞行阶段的分类需求。
2023-10-01 cs.HC cs.LG
Behavior-Centric Extraction of Scenarios from Highway Traffic Data and their Domain-Knowledge-Guided Clustering using CVQ-VAE
Technische Hochschule Ingolstadt(因斯布鲁克技术大学);AUDI AG(奥迪公司);Technische Universität München(慕尼黑技术大学)
本文提出基于场景-规范概念的标准场景提取方法和领域知识引导的聚类方法,通过highd数据集实验验证了其在高速公路数据中可靠提取场景并整合领域知识的能力。
2026-05-11 cs.CV cs.LG
AI-Enhanced Spatial Cellular Traffic Demand Prediction with Contextual Clustering and Error Correction for 5G/6G Planning
Innovation, Science and Economic Development Canada (ISED) and Carleton University(创新、科学与经济发展的加拿大(ISED)和卡尔顿大学);Communications Research Centre (CRC)(通讯研究中心(CRC));Carleton University(卡尔顿大学)
本文提出了一种基于上下文聚类和误差校正的AI框架,用于提高5G/6G规划中空间蜂窝交通需求预测的准确性与可靠性。
2026-03-11 cs.AI cs.LG cs.SY
Bayesian Meta-reinforcement Learning for Traffic Signal Control
Didichuxing AI Lab(滴滴出行AI实验室)
近年来,基于Meta强化学习的交通信号控制方法得到了越来越多的关注,与传统的控制方法相比,该方法具有更好的性能。然而,以往的方法缺乏鲁棒性的适应性和训练过程中的复杂情况下的稳定性,这在很大程度上限制了它在现实世界中的交通信号控制的应用。在本文中,我们提出了一种新的基于值的贝叶斯Meta强化学习框架BM-DQN鲁棒地加快学习过程中,在新的情况下,利用良好的训练先验知识从现有的情况下学习。这个框架是基于我们提出的快速适应变化,顺应EM贝叶斯元学习和快速更新的优势DQN,它允许快速适应新的情况下,持续学习能力和鲁棒性的不确定性。限制二维导航和交通信号控制的实验表明,我们提出的框架适应更快,更强大的新的场景比以前的方法,特别是更好的持续学习能力在异构场景。
2021-10-22 cs.LG stat.ML
Exploring Semantic Clustering and Similarity Search for Heterogeneous Traffic Scenario Graph
KIT Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);FZI Research Center for Information Technology(信息技术研究所以)
本文提出异构时空图模型表示交通场景,并结合图神经网络与自监督对比学习及自举方法学习通用嵌入空间,在nuPlan数据集上验证了无需标签即可实现场景语义聚类与相似性检索,为自动驾驶仿真测试的高效场景选择奠定基础。
2025-07-07 cs.LG
Trajectory Clustering Performance Evaluation: If we know the answer, it's not clustering
Polytechnique Montréal(蒙特利尔理工学院)
智能交通系统(ITS)的进步使得通过自动数据汇集可以获得大量的交通数据。这些数据的很大一部分存储为移动车辆和道路使用者的轨迹。在最少的人为监督下自动分析这些数据既可以降低成本,又可以消除分析的主观性。轨迹聚类是一个无监督的任务。在本文中,我们进行了全面的比较相似性措施,聚类算法和评价措施,使用轨迹数据从七个交叉口。我们还提出了一种方法来自动生成轨迹参考集群的基础上,他们的原点和目的地点,用于基于标签的评估措施。因此,整个过程在聚类和评价水平上都是无监督的。最后,我们使用一个组合的评估措施,找到最好的执行相似性措施和聚类算法的每个路口。结果表明,没有一种距离和聚类算法的单一组合总是在前十名的聚类设置中。
2021-12-02 cs.AI cs.LG
EMAGN: Efficient Multi-Attention Graph Network via Learned Clustering for Scalable Traffic Forecasting
Shanghai Jiao Tong University(上海交通大学);University of Michigan, Ann Arbor(密歇根大学安娜堡分校);University of California, Berkeley(加利福尼亚大学伯克利分校);Cornell University(康奈尔大学);Technische Universität Dresden(德累斯顿工业大学);Carnegie Mellon University(卡内基梅隆大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
针对交通流量预测中自注意力机制扩展性有限的问题,提出EMAGN,通过学习聚类矩阵将空间注意力机制线性化,降低复杂度,实验表明其在准确性和效率上优于其他模型,扩展了可行模型配置。
2026-07-16 cs.AI cs.LG
TG-PSM: Tunable Greedy Packet Sequence Morphing Based on Trace Clustering
Sharif University of Technology(谢里夫理工大学)
常见的隐私增强技术不能有效地隐藏加密流量的某些统计方面,即单个分组长度、分组方向和分组定时。最近的研究表明,使用这些属性,对手能够从加密的流量中提取各种信息,如访问的网站和使用的协议。这种攻击称为流量分析。所提出的对策试图改变这些特征的分布。然而,它们要么不能有效地降低攻击者准确性,要么在降低准确性的同时强制执行高带宽开销和定时延迟。在本文中,通过使用一个预定义的网站和贪婪的数据包变形算法的聚类轨迹集,我们介绍了一个网站的指纹对策称为TG-PSM。首先,该方法根据网站在不同加载阶段的行为进行聚类。其次,它发现一个合适的目标网站的访问网站的基础上,用户表示的重要程度,从而提供动态可调。第三,该方法使用贪心算法将给定网站变形为目标网站,该算法考虑了距离和由此产生的开销。我们的评估表明,TG-PSM在降低攻击者准确性和强制带宽方面优于以前的对策,例如,在保持攻击者准确性的前提下,降低带宽开销超过40%。
2019-04-01 cs.CR cs.LG stat.ML
A Simplified Framework for Air Route Clustering Based on ADS-B Data
John von Neumann Institute(约翰·冯·诺依曼研究所);Air Traffic Management Research Institute(空中交通管理研究院);Nanyang Technological University(南洋理工大学)
随着时间的推移,航班流量不断增加,这使得战略交通流管理成为具有挑战性的问题之一,因为它需要大量的计算资源来建模整个交通数据。另一方面,广播式自动相关监视(ADS-B)技术被认为是一种很有前途的数据技术,可以安全有效地为飞行人员和地面控制人员提供有关飞机在特定区域的位置和速度的必要信息。为了解决这一问题,本文提出了一个简化的框架,可以支持检测机场之间的典型航线基于ADS-B数据。具体而言,将根据相似性措施将航班流量分为主要组,这有助于减少机场之间的飞行路径数量。事实上,我们的框架可以考虑到,以减少实际的计算成本的气流优化和评估的操作性能。最后,为了说明我们提出的框架的潜在应用,使用三个不同的机场对ADS-B交通飞行数据进行了实验。通过结合两个度量聚类性能的指标并将人类的判断融入到视觉检测中,检测出的每对机场之间的典型航线显示出良好的效果。
2021-07-07 cs.AI cs.LG physics.soc-ph
Impact of Event Encoding and Dissimilarity Measures on Traffic Crash Characterization Based on Sequence of Events
University of Connecticut(康涅狄格大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
先前的研究表明,碰撞序列分析有助于描述碰撞特征和确定安全对策。序列分析是高度领域特异性的,但其各种技术尚未被评估以适应崩溃序列。本文评估的影响,编码和相异措施的崩溃序列分析和聚类。研究了2016-2018年美国州际公路单车碰撞的序列数据。通过评价序列聚类结果,比较了两种编码方案和五种基于最优匹配的相异性度量。根据相异度矩阵之间的相关性,将五种相异度度量分为两组。基于与基准碰撞分类的协议,确定了最佳相异性度量和编码方案。基于转换率的局部最优匹配相异度和统一编码方案与基准测试的一致性最高。评价结果表明,不同度量和编码方案的选择决定了序列聚类和碰撞特征的结果。考虑事件和域上下文之间的关系的相异性度量往往在崩溃序列聚类中表现良好。合并类似事件的编码方案自然会考虑域上下文。
2023-02-22 cs.LG stat.AP
An Informativeness-based Clustered Federated Learning Method for Reliable Traffic Prediction in Managed Wi-Fi Networks
Nokia Bell Labs(诺基亚贝尔实验室)
针对托管Wi-Fi网络中聚类联邦学习的信息性集群识别难题,提出两步聚类的新型CFL工具,在Wi-Fi流量预测中实现了最优预测性能与聚类策略中最低通信和能源开销。
2026-07-30 cs.LG eess.SP
Toward Unsupervised Test Scenario Extraction for Automated Driving Systems from Urban Naturalistic Road Traffic Data
Opel Automobile GmbH(欧宝汽车有限公司);Stellantis NV(斯泰兰蒂斯集团);Technical University of Darmstadt(达姆施塔特工业大学)
本文提出无监督机器学习流水线,从城市自然驾驶数据中提取多模态测试场景,并基于 inD 与 Silicon Valley Intersections 比较聚类方法,揭示层次聚类的准确率跃升与饱和规律。
2023-04-21 cs.LG cs.SE
What Does Normal Even Mean? Evaluating Benign Traffic in Intrusion Detection Datasets
Mount Holyoake College, South Hadley, USA(莫特霍伊克学院);Cognitive Security Institute(认知安全研究所)
本文评估多个入侵检测数据集中良性流量的内部结构,发现存在有意义的子类别,并展示无监督聚类技术可改善多分类性能。
2025-09-11 cs.CR cs.LG
DeepMF: Deep Motion Factorization for Closed-Loop Safety-Critical Driving Scenario Simulation
Center for Artificial Intelligence and Robotics, Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院人工智能与机器人中心)
针对现有安全关键交通场景生成方法依赖历史记录且不适用于开放事件的问题,提出DeepMF框架,利用解耦深度神经网络和贝叶斯因子分解,通过最大化交通风险复合后验概率,实现闭环交互式对抗场景的高效模拟。
2024-12-23 cs.AI cs.LG
Policy Reuse for Communication Load Balancing in Unseen Traffic Scenarios
Samsung AI Center Montreal(三星蒙特利尔人工智能中心);Samsung Electronics(三星电子)
随着通信网络复杂度和业务量的不断增长,通信负载均衡解决方案受到越来越多的关注。具体而言,与传统的基于规则的方法相比,基于强化学习(RL)的方法表现出令人印象深刻的性能。然而,标准的强化学习方法通常需要大量的数据来进行训练,并且对训练期间没有遇到的场景的泛化能力很差。我们提出了一个策略重用框架,其中策略选择器根据当前的流量条件选择最合适的预训练RL策略来执行。我们的方法取决于一个政策银行组成的政策培训的一组不同的交通情况。当部署到未知流量场景时,我们根据当前场景的前一天流量与训练期间观察到的流量之间的相似性从策略库中选择策略。实验表明,该框架可以大大优于经典的和自适应的基于规则的方法。
2023-03-22 cs.AI cs.LG cs.NI
Feature Engineering for Data-driven Traffic State Forecast in Urban Road Networks
BMW Group(宝马集团);University of the Federal Armed Forces Munich(慕尼黑联邦国防军大学)
大多数交通状态预测算法在应用于城市道路网络时只考虑距离目标位置很近的路段。然而,对于更长期的预测,期望网络的更远的链路或区域的交通状态为数据驱动算法提供有价值的信息。本文研究了这些期望,使用网络聚类算法和一年的浮动车(FCD)收集的大型车队的车辆。首先,聚类算法应用于数据中,以提取慕尼黑城市网络中的易发性区域。在统计工具的帮助下分析这些集群内的拥塞程度。明确的时空拥塞模式和集群区域之间的相关性被确定。这些相关性被集成到K-最近邻(KNN)旅行时间预测算法。与其他方法相比,该方法取得了最好的效果。统计结果和KNN预测器的性能表明,考虑网络范围内的流量是预测器的一个有价值的功能,并在未来开发更准确的算法是一个有前途的方式。
2020-09-17 cs.LG physics.soc-ph
Machine Learning Architectures for the Estimation of Predicted Occupancy Grids in Road Traffic
Technische Hochschule Ingolstadt(因戈尔施塔特应用技术大学);RMIT(皇家墨尔本理工大学)
本文提出了一种新颖的机器学习架构,用于高效估计道路交通中的预测占用网格,通过模拟验证其在准确性和计算时间上的性能。
2025-12-15 cs.LG
D$^2$-City: A Large-Scale Dashcam Video Dataset of Diverse Traffic Scenarios
DiDi AI Labs(滴滴人工智能实验室);Didi Chuxing(滴滴出行);University of Southern California(南加州大学)
驾驶数据集加速了智能驾驶和相关计算机视觉技术的发展,而大量和详细的注释则可以作为燃料和动力,提高这些数据集的效率,以改进基于学习的模型。我们提出了D $^2$ -City,这是一个大规模的全面收集DiDi平台上车辆收集的dashcam视频的集合。D $^2$ -城市包含超过10000个视频片段,深刻反映了中国现实世界交通场景的多样性和复杂性。我们还提供了1000个视频的所有帧中的12类对象的边界框和跟踪注释,以及其余视频的关键帧上的检测注释。与现有的数据集相比,D $^2$ -City具有不同天气、道路和交通条件下的数据,以及大量精心设计的检测和跟踪注释。通过为社区带来一系列具有挑战性的案例,我们预计D $^2$ -City数据集将推动智能驾驶的感知和相关领域。
2019-06-03 cs.CV cs.LG stat.ML
CityFlow: A Multi-Agent Reinforcement Learning Environment for Large Scale City Traffic Scenario
Shanghai Jiao Tong University(上海交通大学);Pennsylvania State University(宾夕法尼亚州立大学)
交通信号控制是强化学习的新兴应用场景。交通信号控制是影响人们日常生活的重要问题之一,如何适应动态交通环境,协调包括车辆和行人在内的数千个智能体,是强化学习面临的独特挑战。现代强化学习成功的一个关键因素依赖于一个好的模拟器来生成大量用于学习的数据样本。然而,目前最常用的开源交通仿真器SUMO在大规模路网和大流量交通场景下的可扩展性较差,阻碍了强化学习在交通场景中的应用研究。这促使我们创建一个新的交通模拟器CityFlow从根本上优化数据结构和高效的算法。CityFlow可以支持基于合成和真实世界数据的道路网络和交通流的灵活定义。它还为强化学习提供了用户友好的界面。最重要的是,CityFlow比SUMO快20倍以上,并且能够通过交互式渲染来支持城市范围的交通模拟。除了交通信号控制,CityFlow还可以作为其他交通研究的基础,并可以为智能交通领域的机器学习方法测试创造新的可能性。
2019-05-13 cs.LG cs.MA
Data-Driven Analysis of Crash Patterns in SAE Level 2 and Level 4 Automated Vehicles Using K-means Clustering and Association Rule Mining
Collier County Government Traffic Management Center(科利尔县政府交通管理中心);Department of Computer Science and Engineering University of Tennessee at Chattanooga(田纳西大学查塔努加分校计算机科学与工程系);Center of Urban Informatics and Progress(城市信息化与进步中心)
本研究利用K均值聚类和关联规则挖掘分析SAE 2级和4级自动驾驶车辆碰撞模式,揭示碰撞动态以指导安全策略制定。
2026-01-02 cs.LG
CARLA Real Traffic Scenarios -- novel training ground and benchmark for autonomous driving
University of Warsaw(华沙大学);Institute of Mathematics, Polish Academy of Sciences(波兰科学院数学研究所);Jagiellonian University(雅盖隆大学);Volkswagen AG(大众汽车集团);Google(谷歌)
这项工作介绍了互动的交通场景中的CARLA模拟器,这是基于现实世界的交通。我们专注于持续数秒的战术任务,这对当前的控制方法来说尤其具有挑战性。CARLA真实交通场景(CRTS)旨在成为自动驾驶系统的培训和测试场地。为此,我们在许可证下开源代码,并提出了一套基线策略。CRTS结合了交通场景的真实性和仿真的灵活性。我们用它来训练代理使用强化学习算法。我们展示了如何获得竞争政策,并通过实验评估观察类型和奖励计划如何影响训练过程和所产生的代理的行为。
2021-09-19 cs.AI cs.LG cs.RO
A Comparative Study of Loss Functions: Traffic Predictions in Regular and Congestion Scenarios
University of Pennsylvania(宾夕法尼亚大学);Argonne National Laboratory(阿贡国家实验室)
针对时空图神经网络在拥堵预测上的不足,本文比较多种损失函数,发现MAE-Focal和Gumbel损失分别优化MAE和MSE时最有效,能在不牺牲常规预测精度下提升拥堵预测能力。
2023-08-29 cs.AI cs.LG
Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior
Stanford University(斯坦福大学);NVIDIA(英伟达);University of Toronto(多伦多大学);Vector Institute(向量研究所)
评估和改进自动驾驶汽车的规划需要可扩展的长尾交通场景生成。为了发挥作用,这些场景必须是现实的和具有挑战性的,但并非不可能安全驾驶。在这项工作中,我们介绍了一种自动生成具有挑战性的场景的方法,该场景会导致给定的计划器产生不期望的行为,如碰撞。为了保持场景的可扩展性,关键思想是以基于图的条件VAE的形式利用交通运动的学习模型。场景生成被制定为在这个交通模型的潜在空间中的优化,扰动初始现实世界的场景,以产生与给定的规划器碰撞的轨迹。随后的优化用于找到场景的“解决方案”,确保它对改进给定的计划器有用。进一步的分析根据碰撞类型对生成的场景进行聚类。我们攻击两个规划者,并表明,在这两种情况下,BETWEVE成功地产生现实的,具有挑战性的情况。此外,我们还“关闭循环”,并使用这些场景来优化基于规则的规划器的超参数。
2022-03-28 cs.CV cs.LG cs.RO
Leveraging Remote Traffic Data for Local Air Pollutant Estimation: A Scenario-Based Machine Learning Study Across London Monitoring Sites
Queen Mary University of London(伦敦玛丽女王大学);Instituto Politecnico Nacional(国家理工学院)
该研究以伦敦监测站点为对象,通过场景式实验评估四种树基ML模型,发现纳入远程交通数据可提升NO₂估算精度,交通变量在交通主导环境中对NO₂的贡献可与相邻监测站污染物测量相当。
2026-08-25 cs.LG
Direct Preference Optimization-Enhanced Multi-Guided Diffusion Model for Traffic Scenario Generation
Pohang University of Science and Technology(浦项科技大学);School of Electrical Engineering, Pohang University of Science and Technology(浦项科技大学电气工程学院);NAVER LABS(NAVER实验室)
针对多引导扩散采样易偏离真实交通先验的问题,提出多任务学习框架并用DPO基于引导分数微调,在nuScenes上实现真实性、多样性与可控性的平衡。
2025-02-14 cs.LG cs.MA
SocialDriveGen: Generating Diverse Traffic Scenarios with Controllable Social Interactions
Shanghai Jiao Tong University(上海交通大学);Chongqing Changan Automobile Co. Ltd(重庆长安汽车有限公司)
SocialDriveGen通过整合语义推理和社会偏好建模,生成具有可控社会互动的多样化交通场景,提升自动驾驶策略的鲁棒性和泛化能力。
2025-12-01 cs.LG cs.MA
Multi-Vehicle Interaction Scenarios Generation with Interpretable Traffic Primitives and Gaussian Process Regression
Carnegie Mellon University(卡内基梅隆大学)
当道路数据不足时,生成多车辆交互场景可以有益于自主车辆的运动规划和决策制定。本文提出了一种有效的方法来生成不同的多车辆交互场景,既可以适应不同的道路几何形状,并继承在现实世界中的驾驶的关键交互模式。为此,可用的多车辆相互作用的情况下,时间分割成几个可解释的基本构建块,称为交通原语,通过贝叶斯非参数学习。然后,通过基于采样的路径规划算法,将交通基元的变点转化为期望的道路,生成无碰撞的交互轨迹。最后引入高斯过程回归来控制生成的多车辆交互轨迹的方差和平滑度。对三种典型的多车运动轨迹进行了仿真实验。实验结果表明,我们提出的方法可以生成一堆类似人类的多车交互轨迹,可以适应不同的道路条件下保持在提供的场景中的代理的关键交互模式,这是进口的自主车辆的发展。
2019-10-08 cs.LG cs.RO
RealGen: Retrieval Augmented Generation for Controllable Traffic Scenarios
Carnegie Mellon University(卡内基梅隆大学);NVIDIA Research(英伟达研究院);UW-Madison(威斯康星大学麦迪逊分校);Stanford University(斯坦福大学)
针对自动驾驶仿真中交通场景生成缺乏真实性与可控性、难生成未见场景的问题,提出基于检索的上下文学习框架RealGen,通过无梯度组合检索示例合成场景,具备编辑、组合行为等能力,灵活性与可控性表现优异。
2024-08-13 cs.AI cs.LG
Novelty Detection and Analysis of Traffic Scenario Infrastructures in the Latent Space of a Vision Transformer-Based Triplet Autoencoder
CARISSMA, Technische Hochschule Ingolstadt(CARISSMA,因戈尔施塔特应用技术大学);Technical University of Munich(慕尼黑工业大学)
检测未知和未经测试的场景对于基于MIMO的测试至关重要。基于场景的测试被认为是验证自动驾驶汽车的一种可能方法。交通场景由多个组成部分组成,基础设施是其中之一。在这项工作中,提出了一种方法来检测新的交通场景的基础设施的图像的基础上。自动编码器三元组网络为用于离群值检测的基础设施图像提供潜在表示。网络的三元组训练是基于基础设施的连接图。通过使用所提出的架构,专家知识是用来塑造潜在的空间,使它包含了一个预定义的相似性的邻域关系的自动编码器。对架构的消融研究突出了三重自动编码器组合的重要性。性能最好的架构是基于视觉Transformer,一个无卷积的注意力为基础的网络。所提出的方法优于其他国家的最先进的离群值检测方法。
2021-11-02 cs.CV cs.LG
Extensive Exploration in Complex Traffic Scenarios using Hierarchical Reinforcement Learning
The Ohio State University(俄亥俄州立大学)
针对DRL控制器在复杂交通中泛化性不足的问题,提出分层框架将决策分解为子任务,通过两步训练分别优化高低层控制器,在复杂高速公路驾驶中展现优越性。
2025-01-25 cs.LG cs.RO
Generating Traffic Scenarios via In-Context Learning to Learn Better Motion Planner
Aizierjiang Aiersilan(独立研究者)
提出一种基于大语言模型上下文学习的低成本交通场景生成方法,将用户文本描述转化为模拟器脚本以生成安全关键场景,用作合成数据训练运动规划器,显著提升了规划器性能。
2025-05-01 cs.AI cs.CL cs.GR
Depth-Based Local Center Clustering: A Framework for Handling Different Clustering Scenarios
本文提出基于深度的局部中心聚类方法,通过局部数据深度识别多模态数据的局部中心和非凸聚类,提升聚类分析的灵活性和适用性。
2026-01-21 cs.LG stat.AP stat.ME
DuaLight: Enhancing Traffic Signal Control by Leveraging Scenario-Specific and Scenario-Shared Knowledge
SenseTime Research(商汤科技研究院);ISTBI of Fudan University(复旦大学类脑智能科学与技术研究院);Baidu Inc.(百度公司);University of Cologne(科隆大学);EWI gGmbH(EWI能源经济研究所);Qing Yuan Research Institute of Shanghai Jiao Tong University(上海交通大学清源研究院)
提出DuaLight强化学习交通信号控制方法,通过场景特定经验权重模块和场景共享Co-Train模块,分别利用场景内与跨场景知识,在真实与合成场景上取得3-7%性能提升。
2023-12-22 cs.AI cs.LG cs.MA
Graph Convolutional Networks for Complex Traffic Scenario Classification
TU Delft(代尔夫特理工大学);Kognic
本文提出利用图卷积网络建模车辆与环境及其他交通参与者的时空交互,并基于扩展的nuScenes和Argoverse 2构建逐帧场景标注数据集,用于复杂交通场景分类。
2023-10-26 cs.AI cs.CV cs.LG
Hierarchical Graph Pooling is an Effective Citywide Traffic Condition Prediction Model
Jilin University(吉林大学);Loughborough University(拉夫堡大学);Tongji University(同济大学)
准确的交通状态预测为车-环境协调和交通控制任务提供了坚实的基础。由于道路网络数据在空间分布上的复杂性和深度学习方法的多样性,有效定义交通数据并充分捕捉数据中复杂的空间非线性特征变得具有挑战性。本文将两种层次图池方法应用于流量预测任务,以减少图信息冗余。首先,本文验证了层次图池方法在流量预测任务中的有效性。分层图池化方法与其他基线的预测性能进行了对比。其次,分析了两种主流的层次图池化方法:节点聚类池化和节点丢弃池化在流量预测中的优缺点。最后,针对上述图神经网络,本文比较了不同图网络输入对流量预测精度的预测效果。分析和总结了定义图网络的有效方法。
2022-09-08 cs.LG cs.SI physics.soc-ph
DiGNet: Learning Scalable Self-Driving Policies for Generic Traffic Scenarios with Graph Neural Networks
the HKUST(香港科技大学);PolyU of HK(香港理工大学)
传统的自动驾驶汽车(SDV)决策和规划框架在新场景中的扩展性很差,因此它们需要繁琐的手动调整规则和参数,以在所有可预见的情况下保持可接受的性能。最近,基于深度学习的自驾驶方法已经显示出有希望的结果,具有更好的泛化能力,但手工工程工作量更少。然而,大多数以前的基于学习的方法都是在有限的驾驶场景中进行训练和评估的,这些场景具有分散的任务,例如车道跟随,自动制动和有条件驾驶。在本文中,我们提出了一个基于图的深度网络,以实现可扩展的自动驾驶,可以处理大规模的交通场景。具体而言,在高保真驾驶模拟器中进行了超过7,000公里的评估,其中我们的方法可以遵守交通规则,并在各种城市,农村和高速公路环境中安全驾驶车辆,包括无保护的左转弯,狭窄的道路,环形交叉口和富含酒精的交叉口。演示视频可在https://caipeide.github.io/dignet/上获得。
2021-07-30 cs.AI cs.LG cs.RO
Research on Self-adaptive Online Vehicle Velocity Prediction Strategy Considering Traffic Information Fusion
Zhejiang University(浙江大学)
为了提高在线车速预测策略的预测精度,提出了一种融合交通信息的多场景自适应车速预测算法.最初,交通场景建立在协同仿真环境中。此外,将广义回归神经网络(GRNN)算法与自车、前车和信号灯数据集相结合应用于交通场景,进一步提高了预测精度。为提高算法的鲁棒性,采用粒子群优化(PSO)和k折交叉验证算法对策略进行优化,实时寻找神经网络的最优参数,构建了一种多信息融合的自适应在线PSO-GRNN VVP策略,以适应不同的工况。然后将自适应在线PSO-GRNN VVP策略部署到各种模拟场景中,以测试其在各种操作情况下的有效性。最后,仿真结果表明,在城市和高速公路的情况下,预测精度分别提高了27.8%和54.5%相比,传统的GRNN VVP策略与固定参数,仅利用历史的自我车辆速度数据集。
2022-10-07 cs.LG cs.SY eess.SY
ANT: A Multi-Granularity Network Traffic Dataset and Benchmark for Agents Behavior Auditing
Tsinghua University(清华大学);Zhongguancun Laboratory(中关村实验室);Renmin University of China(中国人民大学);Nanyang Technological University(南洋理工大学)
本文提出ANT数据集,包含多粒度标注的网络流量,用于审计LLM智能体行为,并建立基准评估现有方法,发现其在风险识别和场景区分上存在局限。
2026-10-06 cs.AI cs.LG
Learning Realistic Traffic Agents in Closed-loop
Waabi;University of Toronto(多伦多大学)
本文提出 RTR 闭环 IL+RL 联合学习目标,在交通合规约束下模仿专家演示,并结合真实常规场景与程序化长尾场景训练,提升交通智能体的逼真性、泛化性及下游预测效果。
2023-11-02 cs.CV cs.LG cs.RO
Scenario Diffusion: Controllable Driving Scenario Generation With Diffusion
Zoox(佐克斯公司)
本文提出场景扩散(Scenario Diffusion),一种基于扩散的架构,结合潜在扩散、目标检测和轨迹回归,以地图和令牌为条件,实现可控的驾驶场景生成,可建模多样交通模式并泛化至不同地区。
2023-11-16 cs.CV cs.LG cs.RO
Physics-Informed Teacher-Student Ensemble Learning for Traffic State Estimation with a Varying Speed Limit Scenario
Department of Building, Civil and Environmental Engineering, Concordia University(康科迪亚大学建筑、土木和环境工程系);Urban Artificial Intelligence Laboratory, University of Florida(佛罗里达大学城市人工智能实验室);Department of Civil, Environmental and Construction Engineering, University of Central Florida(中央佛罗里达大学土木、环境和建设工程系)
本文提出一种融合物理信息的教师-学生集成学习框架,用于在变化速度限制场景下准确估计交通状态,通过局部编码流量守恒定律并利用多层感知器分类器提升性能。
2026-05-11 cs.AI cs.CE cs.LG
Deep Reinforcement Learning for Adaptive Traffic Signal Control
Iowa State University(爱荷华州立大学)
许多现有的交通信号控制器要么是简单的自适应控制器的基础上放置在交通路口周围的传感器,或优化的交通工程师在一个固定的时间表。优化交通控制器非常耗时,通常需要经验丰富的交通工程师。最近的研究已经证明了在这种情况下使用深度强化学习(DRL)的潜力。然而,大多数研究都没有考虑可以无缝过渡到部署的现实设置。在本文中,我们提出了一个基于DRL的自适应交通信号控制框架,明确考虑现实的交通场景,传感器和物理约束。在这个框架中,我们还提出了一种新的奖励功能,显示出显着改善的交通性能相比,典型的基线预定时和完全驱动的交通信号控制器。该框架的实现和验证仿真平台上模拟现实生活中的交通场景和传感器数据流。
2019-11-14 cs.LG cs.SY eess.SP
BIDA: A Bi-level Interaction Decision-making Algorithm for Autonomous Vehicles in Dynamic Traffic Scenarios
Tongji University(同济大学);Yale University(耶鲁大学)
提出BIDA算法,融合交互式蒙特卡洛树搜索与深度强化学习,通过价值与策略网络引导推演,提升自动驾驶在动态场景中的交互安全性、效率与合理性。
2025-06-19 cs.AI cs.ET cs.LG
Neural Network Guided Evolutionary Fuzzing for Finding Traffic Violations of Autonomous Vehicles
Columbia University(哥伦比亚大学)
自动驾驶汽车和卡车,自动驾驶汽车(AV),不应该被监管机构和公众接受,直到他们对它们的安全性和可靠性有更高的信心-这可以通过测试最实际和令人信服地实现。但是,现有的测试方法不足以检查AV控制器的端到端行为,以应对复杂的现实世界中涉及与多个独立代理(如行人和人类驾驶车辆)交互的角落情况。虽然在街道和高速公路上试驾自动驾驶汽车无法捕捉到许多罕见的事件,但现有的基于模拟的测试方法主要集中在简单的场景上,并且无法很好地扩展到需要对周围环境进行复杂感知的复杂驾驶情况。为了解决这些限制,我们提出了一种新的模糊测试技术,称为AutoFuzz,它可以利用广泛使用的AV模拟器的API语法生成语义和时间有效的复杂的驾驶场景(场景序列)。为了在大搜索空间中有效地搜索交通违规诱导场景,我们提出了一种约束神经网络(NN)进化搜索方法来优化AutoFuzz。我们的原型在一个最先进的基于学习的控制器,两个基于规则的控制器和一个工业级控制器上进行了五种情况的评估,结果表明AutoFuzz在高保真仿真环境中有效地发现了数百种交通违规行为。对于每个场景,AutoFuzz可以找到比最佳基线方法平均多10-39%的独特交通违规。此外,通过AutoFuzz发现的交通违规对基于学习的控制器进行微调,成功地减少了新版本AV控制器软件中发现的交通违规。
2022-07-21 cs.LG cs.NE cs.RO