【摘 要】
:
随着智能设备的普及和互联网技术的快速发展,近年来出现了许多基于位置的服务,因而产生了大量实体(例如行人、车辆和无人机)的轨迹数据。这些数据中包含了许多有价值的信息,例如实体的位置、速度、加速度等。通过进一步挖掘和分析轨迹数据,可以提取出更多潜在的特征信息并且进一步应用于多个研究领域的相关任务,尤其是在自动驾驶中;它可以用于提高预测周围实体未来轨迹的能力,从而辅助目标车辆做出安全和有效的下一步动作。
论文部分内容阅读
随着智能设备的普及和互联网技术的快速发展,近年来出现了许多基于位置的服务,因而产生了大量实体(例如行人、车辆和无人机)的轨迹数据。这些数据中包含了许多有价值的信息,例如实体的位置、速度、加速度等。通过进一步挖掘和分析轨迹数据,可以提取出更多潜在的特征信息并且进一步应用于多个研究领域的相关任务,尤其是在自动驾驶中;它可以用于提高预测周围实体未来轨迹的能力,从而辅助目标车辆做出安全和有效的下一步动作。然而现有的轨迹预测方法往往不能提取出车辆在真实移动环境中的多尺度特征表示,所以预测的未来轨迹和车辆的真实轨迹之间存在较大的偏差。因此,本文在现有的轨迹预测方法的基础上,提出了两种新的车辆轨迹预测模型,它们可以有效地提取到车辆的时空特征和移动特征,从而更好地表示出车辆的移动状态和生成更加准确的未来轨迹。本文的主要工作和创新点如下:(1)提出了一种基于时空注意力机制的车辆轨迹预测模型。该模型在基于LSTM的编码器-解码器的基础框架上,利用一个基于图注意力网络的空间注意力模块提取邻居车辆之间的空间交互关系;然后,使用一个特征融合模块将提取到的全局空间特征和移动特征融合起来,以得到目标车辆在任意时刻的综合特征表示。最后,使用时序注意力机制为不同历史时刻的特征向量分配合适的权重值,以捕捉各个时刻的综合特征在时序维度的相关性和对预测未来轨迹的不同作用。(2)提出了一种基于图卷积和时序卷积网络的车辆轨迹预测模型。该模型首先使用图数据结构来表示车辆间的相互关系,然后使用一个空间图卷积网络提取到车辆在空间维度的交互关系,再利用一个时序卷积网络去捕捉这些局部空间特征的时序依赖关系,从而得到车辆的全局时空特征表示。最后,将它们和利用LSTM提取到的全局移动特征一起输入到基于GRU的解码模块中,生成多条车辆可能的未来轨迹。本文使用NGSIM和highD车辆轨迹数据集来验证两种新模型的有效性和优越性,实验结果表明与现有的几种轨迹预测方法相比较,所提出的模型在预测准确性上有一定程度的提升。同时,我们还验证了模型二相较于模型一,具有更小的参数规模和更快的轨迹预测速度。
其他文献
二氧化碳(CO2)是大气中主要的温室气体。其在大气中含量的持续增加造成了严重的气候问题,未来将严重影响人类社会的可持续发展。因此发展CO2捕获和转化技术对碳减排并最终实现碳中和具有重大意义。其中,利用CO2和环氧化物通过环加成反应生成环状碳酸酯是最有前景的CO2捕获和转化技术之一。此方法不仅可以捕获CO2,其反应产物也可作为前驱物用于高附加值药物和聚碳酸酯的合成。由于CO2分子比较稳定,选择高效稳
医学图像广泛应用于各类医疗诊断任务中。然而,在医学图像成像过程中,容易遭受环境干扰等因素的影响,出现获取的医学图像质量不佳或者感兴趣区域细节丢失等情况,给诊断带来障碍。传统的对比度增强方法可以有效提升图像质量,但是大部分方法在增强后会造成图像细节信息有不同程度的损失。对于医学图像而言,细节信息可能是诊断和治疗的关键。另外,现有的对比度增强算法大部分基于图像全局进行增强,但是在使用医学图像的时候更多
多酸基配合物(Polyoxometaltes-based compounds)是无机化学领域的一个重要的研究方向。将多酸作为建筑模块,与金属阳离子和有机配体通过配位作用相互连接,形成结构多样、尺寸各异的一维链状、二维网状和三维化合物。金属-氧簇合物的合成方法多种多样,比如水热法、常温法等。另外,合成过程中的p H、反应温度和时间,以及原料的选择和配比都对化合物的合成有着重要的影响。由于多酸化合物的
能源对于所有生物的重要性不言而喻。目前,为满足能源需求,化石燃料等资源的过度使用导致环境受到了严重的破坏。而CO2是化石燃料燃烧产生的温室气体之一,也是造成全球变暖的根本原因。为此,人们已经采取了许多措施来减少环境中的CO2含量,如碳捕获与储存、工程碳矿化和热化学还原等。但这些方法仍然存在一些缺点:成本昂贵、对电压和温度要求较高、不可持续等。因此,我们亟需一种替代的可持续的解决方案,同时实现环境中
人脸图像超分辨率重建的目的是将一张或者多张低分辨率人脸图像恢复为高分辨人脸图像,它具有重大的应用价值。但是,如何在较大的超分因子下获得良好的人脸超分辨率重建效果,目前仍然是需要进一步探究的问题。因此,本文提出了一个基于人脸结构信息的重建网络和一个基于生成对抗网络的重建网络,以进行8倍超分因子的人脸图像重建。借助人脸的先验信息来引导网络的超分辨率过程,能够有效地增强人脸图像的重建效果。因此,本文提出
目前,图像超分辨率研究通常可以分为两种,分别是单图像超分辨(Single Image Super-resolution,SISR)和参考图像引导超分辨率(Reference Image Guided Super-resolution,Ref SR)。其中,SISR仅接受单张低分辨率(Low-resolution,LR)图像作为输入,其重建的图像往往会产生模糊或者伪影现象,主要原因是因为原始的高分辨
近年来深度学习技术在计算机视觉领域的成就令人瞩目,这和大规模标注数据集的面世密不可分。然而模型的性能对标注数据的规模、标注质量等非常敏感。从任务本身或者有限数据挖掘可用的先验知识并有效的融入网络结构设计、训练过程中,是缓解模型训练依赖数据的有效途径之一。本文就视频补全和伪装物体检测这两个计算机视觉任务,利用任务或数据的先验知识引导网络的设计和训练。视频补全利用视频中的可见部分,补全缺失的内容,使得
作为一种分子振动光谱,表面增强拉曼散射(SERS)光谱技术可以提供分子丰富的“指纹信息”,灵敏度高,可以实现快速原位无损分析,已广泛用于食品安全、环境分析、生物医学和药物检测等领域。SERS技术在分析检测方面表现出的巨大优势,可以用于保健产品中非法添加化学药物的检测。本文制备了两种功能化的银纳米粒子作为SERS基底,用于不同种类化学药物的定性分析和定量检测。采用原位还原法在金属有机骨架(MOFs)
目标检测往往假设训练数据集和测试数据集采样于同一分布,但这在现实条件下往往不成立,从而影响目标检测性能。基于域适应的目标检测可将在有标签的源域数据集上训练的检测器泛化到另一无标签的目标域数据集上,摆脱新数据集上繁重的标注工作。本文创造性地提出了两种域适应目标检测模型。现有方法一般将鉴别器部署在检测网络不同阶段并通过对抗训练拉近源域和目标域间的图像级特征或物体实例级特征,或用风格迁移拉近像素级特征。
Kdm1b(Lysine Demethylase 1B)是一种对H3K4、H3K9组蛋白具有去甲基酶活性的表观遗传修饰因子。近期研究报道,Kdm1b在多种肿瘤细胞中高表达,能够促进增殖、抑制凋亡,与肿瘤的发生发展密切相关。也有报道称,Kdm1b可诱导肿瘤中多能性因子SOX2和NANOG的表达。然而,关于Kdm1b在体细胞重编程过程中的功能却鲜有报道。诱导多能干细胞(Induced pluripot