典型文献
基于异构图学习的交通场景运动目标感知
文献摘要：
为了提高无人车在交通场景中的运行效率和运输安全,研究了基于异构图学习的交通场景运动目标感知;考虑实际交通场景中运动目标之间的复杂交互关系对目标运动的影响,基于异构图学习提出了交通场景中多目标检测-跟踪-预测一体化感知框架;结合YOLOv5和DeepSORT检测并跟踪运动目标,获得目标的运动轨迹;使用长短期记忆(LSTM)网络从目标历史轨迹中学习目标的运动信息,使用异构图学习目标间的交互信息,以提高运动目标轨迹预测准确度;使用LSTM网络对目标运动信息与交互信息解码得到目标未来轨迹;为了验证方法的有效性,在公共交通数据集Argoverse、Apollo和NuScenes上进行了评估.分析结果表明:结合YOLOv5和DeepSORT可实现对运动目标的检测跟踪,对交通场景中的运动目标实现了75.4％的正确检测率和61.4％的连续跟踪率;异构图能够有效捕捉运动目标之间复杂的交互关系,并且捕捉的交互关系能够提高轨迹预测精度,加入异构图捕捉交互关系后,运动目标的平均位移预测误差降低了63.0％.可见,考虑交通场景中运动目标之间的交互关系是有效的,引入异构图学习运动目标之间的交互关系可以感知运动目标的历史与未来运动信息,从而帮助无人车更好地理解复杂交通场景.
文献关键词：
轨迹预测;交通场景感知;异构图学习;深度神经网络;目标检测;目标跟踪
中图分类号：
作者姓名：
杨彪;闫国成;刘占文;刘小峰
作者机构：
常州大学 微电子与控制工程学院,江苏 常州 213016;河海大学 物联网工程学院,江苏 常州 213003;长安大学 信息学院,陕西 西安 710064
文献出处：
引用格式：
[1]杨彪;闫国成;刘占文;刘小峰-.基于异构图学习的交通场景运动目标感知)[J].交通运输工程学报,2022(03):238-250
A类：
异构图学习,Argoverse,NuScenes,交通场景感知
B类：
运动目标,目标感知,无人车,运输安全,交互关系,目标运动,多目标检测,化感,YOLOv5,DeepSORT,运动轨迹,长短期记忆,历史轨迹,学习目标,运动信息,交互信息,目标轨迹预测,预测准确度,信息解码,验证方法,公共交通,交通数据,Apollo,检测跟踪,目标实现,检测率,平均位移,位移预测,预测误差,学习运动,感知运动,深度神经网络,目标跟踪
AB值：
0.198506
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
