Joint learning of video images and physiological signals for lane-changing behavior prediction

计算机科学 一致性(知识库) 人工智能 接头(建筑物) 推论 机器学习 集合(抽象数据类型) 财产(哲学) 计算 计算机视觉 实时计算 工程类 算法 建筑工程 哲学 认识论 程序设计语言
作者
Gao Jun,Jiangang Yi,Yi Lu Murphey
出处
期刊:Transportmetrica [Informa]
卷期号:18 (3): 1234-1253 被引量:8
标识
DOI:10.1080/23249935.2021.1936279
摘要

Understanding and predicting human driving behavior play an important role in the development of intelligent vehicle systems, particularly for Advanced Driver Assistance System (ADAS) to estimate dangerous operations and take appropriate actions. However, well-predicted lane-changing (LC) behavior is still challenging on account of the complexity and uncertainty of traffic status, and labeled data are required. To address this problem, we propose a novel framework, denoted as LCNet, for lane-changing behavior prediction via joint learning of the front view video images and driver physiological signals. Firstly, with a temporal consistency module, both labeled and unlabeled video frames can be utilized in the training phase, while no extra computation is required during inference. Secondly, a new penalty term is introduced for learning sequential physiological signals, which is sensitive to local continuity property. Finally, a new loss function is designed for LCNet to learn co-occurrence features from the video scene-optical flow branch and physiology branch efficiently. Moreover, the experiments are conducted on a real-world driving data set. The experimental results demonstrate that the LCNet can learn the underlying features of upcoming lane-changing behavior and significantly outperform the other advanced models.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
wshengnan发布了新的文献求助10
刚刚
陈隆完成签到,获得积分20
刚刚
1秒前
积极的凝海应助归仔采纳,获得10
1秒前
Ly发布了新的文献求助10
1秒前
我是老大应助科研通管家采纳,获得10
1秒前
CodeCraft应助科研通管家采纳,获得10
1秒前
科研小白完成签到,获得积分10
1秒前
领导范儿应助科研通管家采纳,获得10
1秒前
上官若男应助科研通管家采纳,获得10
2秒前
华仔应助科研通管家采纳,获得10
2秒前
烟花应助科研通管家采纳,获得10
2秒前
汉堡包应助科研通管家采纳,获得10
2秒前
星辰大海应助科研通管家采纳,获得10
2秒前
袁国惠发布了新的文献求助10
2秒前
英俊的铭应助科研通管家采纳,获得10
2秒前
科研通AI2S应助科研通管家采纳,获得10
2秒前
李健应助科研通管家采纳,获得10
2秒前
3秒前
隐形曼青应助科研通管家采纳,获得10
3秒前
3秒前
3秒前
3秒前
CipherSage应助科研通管家采纳,获得10
3秒前
啥也不会完成签到,获得积分10
3秒前
ttt发布了新的文献求助10
5秒前
调皮的蓝天完成签到 ,获得积分10
8秒前
万能图书馆应助刘可歆采纳,获得10
8秒前
10秒前
wjj完成签到,获得积分20
10秒前
11秒前
陈隆完成签到,获得积分10
12秒前
是小裴呀完成签到,获得积分10
14秒前
李思齐完成签到 ,获得积分10
14秒前
rrrr完成签到,获得积分10
16秒前
JamesPei应助年轻的芒果采纳,获得10
16秒前
海月完成签到 ,获得积分10
16秒前
田様应助时尚凡雁采纳,获得10
18秒前
聪慧语山发布了新的文献求助10
18秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 870
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3256085
求助须知:如何正确求助?哪些是违规求助? 2898220
关于积分的说明 8300473
捐赠科研通 2567352
什么是DOI,文献DOI怎么找? 1394499
科研通“疑难数据库(出版商)”最低求助积分说明 652817
邀请新用户注册赠送积分活动 630511