A Probabilistic Framework for Estimating the Risk of Pedestrian-Vehicle Conflicts at Intersections
University of Michigan Transportation Research Institute(密歇根大学交通研究所);University of Michigan(密歇根大学)
针对现有替代安全指标基于恒速假设导致风险估计不稳定且无法捕捉规避动作的局限,提出一种结合高斯过程回归和随机森林的概率框架,更稳定地估计交叉口行人-车辆冲突风险,适用于实时主动安全解决方案。
2022-07-28 cs.LG
Estimating Link Flows in Road Networks with Synthetic Trajectory Data Generation: Reinforcement Learning-based Approaches
The University of Queensland(昆士兰大学)
本文提出了一种结合有限交通量和车辆轨迹数据的道路网络路段流量估计方法。虽然来自环路检测器的交通量数据已经成为用于链路流量估计的常见数据源,但是检测器仅覆盖链路的子集。从车辆跟踪传感器收集的车辆轨迹数据也被纳入这些天。然而,轨迹数据通常是稀疏的,因为观察到的轨迹仅代表整个群体的一个小子集,其中精确的采样率是未知的,并且可能随空间和时间而变化。本研究提出了一种新的生成建模框架,在这里我们制定了一个连续的决策问题,使用马尔可夫决策过程框架和训练的代理作出连续的决定,以产生现实的合成车辆轨迹的车辆的链接到链接的运动。我们使用基于强化学习(RL)的方法来找到代理的最佳行为,基于此可以生成合成人口车辆轨迹来估计整个网络中的链路流量。为保证生成的群体车辆轨迹与观测交通量和轨迹数据一致,提出了基于逆强化学习和约束强化学习的两种方法。通过求解真实道路网络中的链路流量估计问题,验证了由这些基于RL的方法中的任一种解决的所提出的生成建模框架。此外,我们进行了全面的实验,比较性能与现有的两种方法。结果表明,该框架在驾驶员行为假设不满足或网络覆盖率和轨迹数据穿透率较低的实际场景下,具有较高的估计精度和鲁棒性.
2022-06-26 cs.LG
Estimating multi-class dynamic origin-destination demand through a forward-backward algorithm on computational graphs
Department of Civil and Environmental Engineering(土木与环境工程系);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种基于计算图的多类动态出行生成需求估计框架(MCDODE),通过前向-后向算法和树基累积曲线估计OD需求梯度,以解决大规模交通网络中多类时空车流估计的挑战。
2019-03-12 cs.LG cs.SY eess.SY
Estimating Flow Velocity and Vehicle Angle-of-Attack from Non-invasive Piezoelectric Structural Measurements Using Deep Learning
Sandia National Laboratories(沙尼亚国家实验室)
本文提出利用压电传感器和深度学习估计流速和攻角,通过风洞实验验证了方法在高速条件下的有效性,实现了高精度的流体状态变量估计。
2026-03-24 cs.LG
Estimating City-wide Operating Mode Distribution of Light-Duty Vehicles: A Neural Network-based Approach
Northeastern University(东北大学);Massachusetts Institute of Technology(麻省理工学院)
本文提出一种基于模块化神经网络的框架,利用宏观交通变量直接估算城市轻型车辆运行模式分布,绕过驾驶循环开发,并在排放估算精度上显著优于MOVES。
2025-04-04 cs.LG
Estimating Vehicle Speed on Roadways Using RNNs and Transformers: A Video-based Approach
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
针对传统车辆测速方法成本高、覆盖有限等问题,本研究提出基于视频的LSTM、GRU和Transformer测速方案,验证了门控机制与长序列的优势,Transformer适配多场景,可提升测速系统性能,助力交通管理与安全。
2025-02-21 cs.CV cs.LG eess.IV
Uncertainty-Aware Vehicle Energy Efficiency Prediction using an Ensemble of Neural Networks
Johannes Kepler University(约翰内斯·开普勒大学)
针对车辆能效估算受多因素影响存在不确定性的问题,提出基于深度神经网络的集成学习方法ENN,可降低预测不确定性并输出其度量,在VED数据集上表现出高预测性能。
2023-05-02 cs.LG
Learning Deep Control Policies for Autonomous Aerial Vehicles with MPC-Guided Policy Search
University of California, Berkeley(加州大学伯克利分校)
模型预测控制(MPC)是用于控制机器人系统、特别是诸如四轴飞行器的自主飞行器的有效方法。然而,MPC的应用可能在计算上要求很高,并且通常需要估计系统的状态,这在复杂的非结构化环境中可能具有挑战性。强化学习原则上可以放弃对显式状态估计的需要,并获得直接将传感器读数映射到动作的策略,但难以应用于不稳定的系统,这些系统在找到有效的策略之前容易在训练期间发生灾难性故障。我们建议在引导策略搜索的框架中将MPC与强化学习相结合,其中MPC用于在训练时生成数据,在仪表化训练环境提供的全状态观察下。该数据用于训练深度神经网络策略,该策略仅允许访问来自车辆的车载传感器的原始观察结果。经过训练后,神经网络策略可以成功地控制机器人,而不需要知道机器人的全部状态,并且计算成本只有MPC的一小部分。我们评估我们的方法学习避障政策的模拟四旋翼,使用模拟机载传感器和测试时没有明确的状态估计。
2016-02-16 cs.LG cs.RO
A Self-Supervised Terrain Roughness Estimator for Off-Road Autonomous Driving
Stanford Artificial Intelligence Laboratory(斯坦福人工智能实验室);Computer Science Department(计算机科学系)
我们提出了一个机器学习方法来估计二阶导数的可驾驶表面,其粗糙度。机器人感知一般集中在一阶导数,障碍物检测。然而,二阶导数也很重要,因为它与车辆经历的冲击有直接关系(与速度有关)。知道二阶导数允许车辆在崎岖地形之前减速。由于不确定性,估计二阶导数具有挑战性。例如,在距离上,激光读数可能非常稀疏,以至于丢失了关于表面的重要信息。此外,在投射激光读数时需要高精度。由于姿态估计中的延迟或误差,该精度可能不可用。我们将这些误差源建模为多元多项式。它的系数是通过使用冲击数据作为基础事实来学习的--加速度计被用来训练激光器。由此产生的分类器操作的3D点云所描述的道路表面上的各个激光读数。分类器识别二阶导数可能较大的路段。因此,车辆可以提前减速,减少它所经历的冲击。该算法是我们在2005年DARPA Grand Challenge中使用的算法的演变。我们用那条路线的数据分析它。
2012-06-27 cs.CV cs.LG cs.RO
Real time Traffic Flow Parameters Prediction with Basic Safety Messages at Low Penetration of Connected Vehicles
Clemson University(克莱姆森大学)
在不久的将来,联网车辆(CV)的预期低市场渗透率可能是估计交通流参数的一个限制因素,例如路段的平均行驶速度和CV广播数据中车辆之间的平均间距。与CV的100%渗透率相比,来自连接车辆的低渗透率的这种估计的交通流参数变得有噪声,并且这样的噪声降低了机器学习模型的实时的预测精度,例如长短期记忆(LSTM)模型在预测交通流参数方面的精度。准确的预测参数对未来的交通状态评估具有重要意义。为了提高使用噪声交通流参数的预测精度,这是有限的CV市场渗透率和有限的CV数据的约束,我们开发了一个实时的交通数据预测模型,结合LSTM和基于卡尔曼滤波器的Rauch Tung Striebel(RTS)降噪模型。我们使用增强型下一代仿真(NGSIM)数据集进行了案例研究,该数据集包含每十分之一秒的车辆轨迹数据,以评估该预测模型的性能。与基线LSTM模型性能相比,对于只有5%的CV渗透率,分析显示,LSTM和RTS组合模型将速度预测的平均绝对百分比误差(MAPE)从19%降低到5%,将空间车头时距预测的平均绝对百分比误差(MAPE)从27%降低到9%。具有95%置信区间的统计显著性检验证实,使用LSTM和RTS组合预测的平均速度和平均空间车头时距没有显著差异,CV渗透率仅为5%。
2019-05-21 cs.LG stat.ML
BeamsNet: A data-driven Approach Enhancing Doppler Velocity Log Measurements for Autonomous Underwater Vehicle Navigation
University of Haifa(海法大学)
自主水下航行器(AUV)执行各种应用,如海底测绘和水下结构健康监测。通常,由多普勒测速仪(DVL)辅助的惯性导航系统用于提供车辆的导航解决方案。在融合过程中,DVL提供了AUV的速度矢量,它决定了导航解的精度,并帮助估计导航状态。本文提出了BeamsNet,这是一个端到端的深度学习框架,用于回归估计的DVL速度矢量,提高了速度矢量估计的准确性,并可以取代基于模型的方法。两个版本的BeamsNet,不同的输入到网络中,建议。第一个使用当前DVL波束测量和惯性传感器数据,而另一个仅利用DVL数据,将当前和过去的DVL测量用于回归过程。仿真和海上实验验证了所提出的学习方法相对于基于模型的方法。在地中海用Snapir自主式潜水器进行了海上试验,收集了大约4小时的DVL和惯性传感器数据。我们的研究结果表明,该方法在估计DVL速度矢量方面取得了超过60%的改进。
2022-06-27 cs.LG cs.RO cs.SY
Predicting the Time Until a Vehicle Changes the Lane Using LSTM-based Recurrent Neural Networks
Mercedes-Benz AG(梅赛德斯-奔驰股份公司);Ulm University(乌尔姆大学);RWTH Aachen University(亚琛工业大学);University of Siegen(锡根大学)
为了规划自动驾驶汽车在高速公路上的安全舒适的轨迹,需要准确预测交通状况。到目前为止,大量的研究工作已经花在检测车道变换机动,而不是估计的时间点车道变换实际发生。然而,在实践中,这种时间信息可能更有用。本文论述了一个系统的发展,准确地预测时间到下一个车道的变化,周围的车辆在高速公路上使用长短期记忆为基础的循环神经网络。基于大量真实数据集的广泛评估表明,即使在最具挑战性的情况下,我们的方法也能够做出可靠的预测,均方根误差约为0.7秒。在变道前3.5秒,预测变得非常准确,显示出小于0.25秒的中位误差。总之,这篇文章形成了向下游高度准确的位置预测迈出的基本一步。
2021-02-03 cs.AI cs.LG cs.NE
Test Against High-Dimensional Uncertainties: Accelerated Evaluation of Autonomous Vehicles with Deep Importance Sampling
Carnegie Mellon University(卡内基梅隆大学);Columbia University(哥伦比亚大学);Tongji University(同济大学);University of Illinois Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校)
在自然环境下高精度地评估自动驾驶汽车(AV)及其复杂子系统的性能仍然是一个挑战,特别是在故障或危险情况很少的情况下。稀有性不仅需要巨大的样本量来实现高置信度的估计,而且还导致对真实失败率的危险低估,并且非常难以检测。同时,最先进的方法,带有正确性保证,只能计算在一定条件下的失败率的上限,这可能会限制其实际应用。在这项工作中,我们提出了深度重要性采样(深度IS)框架,该框架利用深度神经网络来获得与最新技术水平相当的有效IS,能够将所需的样本量减少到原始采样方法的43倍,以实现10%的相对误差,同时产生保守性更低的估计。我们的高维实验估计了一个最先进的交通标志分类器的误分类率,进一步表明即使目标非常小,这种效率仍然成立,实现了超过600倍的效率提升。这突出了深度IS在提供精确估计方面的潜力,即使是针对高维不确定性。
2022-04-06 cs.LG cs.RO stat.ME
Multi-Agent Reinforcement Learning for Unmanned Aerial Vehicle Coordination by Multi-Critic Policy Gradient Optimization
School of Informatics, University of Leicester(莱斯特大学信息学院)
针对多智能体强化学习在无人机协同中存在的误差反向传播困难、忽略协作的问题,提出含多价值估计网络与新型优势函数的多评判器策略优化架构,实现稳定训练与最优协同。
2020-12-31 cs.AI cs.LG cs.RO
Estimating label quality and errors in semantic segmentation data via any model
Cleanlab;MIT(麻省理工学院)
本文研究利用任意分割模型的概率预测对语义分割数据标签质量进行评分,比较7种方法后发现基于像素标注类别似然软最小值的评分在SYNTHIA数据集上检测标注错误最为有效。
2023-07-11 cs.CV cs.LG