Open DeepTecher opened 5 years ago
Egocentric Vision-based Future Vehicle Localization for Intelligent Driving Assistance Systems 提交日期: 2019-03-03 (2018-09-19) 团队： 密歇根大学机器人研究中心、印第安纳大学计算工程、本田研究院
摘要：预测车辆的未来位置对于安全关键应用（如ADAS和自动驾驶）至关重要。本文介绍了一种在自我车辆的第一人称（自我中心）视图中同时预测目标车辆的位置和规模的新方法。我们提出了一种多流递归神经网络（RNN）编码器 - 解码器模型，该模型分别捕获对象位置和尺度以及用于未来车辆定位的像素级观察。我们表明，加入密集的光流可以显着改善预测结果，因为它可以捕获有关运动和外观变化的信息。我们还发现，明确地模拟自我车辆的未来运动提高了预测精度，这对于具有运动规划能力的智能和自动车辆尤其有益。为了评估我们的方法的性能，我们提出了从道路交叉口的各种场景中收集的第一人称视频的新数据集，这对于预测来说是特别具有挑战性的时刻，因为车辆轨迹是多样的和动态的。
Egocentric Vision-based Future Vehicle Localization for Intelligent Driving Assistance Systems 提交日期: 2019-03-03 (2018-09-19)
团队： 密歇根大学机器人研究中心、印第安纳大学计算工程、本田研究院
摘要：预测车辆的未来位置对于安全关键应用（如ADAS和自动驾驶）至关重要。本文介绍了一种在自我车辆的第一人称（自我中心）视图中同时预测目标车辆的位置和规模的新方法。我们提出了一种多流递归神经网络（RNN）编码器 - 解码器模型，该模型分别捕获对象位置和尺度以及用于未来车辆定位的像素级观察。我们表明，加入密集的光流可以显着改善预测结果，因为它可以捕获有关运动和外观变化的信息。我们还发现，明确地模拟自我车辆的未来运动提高了预测精度，这对于具有运动规划能力的智能和自动车辆尤其有益。为了评估我们的方法的性能，我们提出了从道路交叉口的各种场景中收集的第一人称视频的新数据集，这对于预测来说是特别具有挑战性的时刻，因为车辆轨迹是多样的和动态的。