交通场景的深度表示学习与聚类
机器学习
2020-07-16 v1 机器学习
摘要
确定交通场景空间是自动驾驶功能认证与覆盖度评估的一大挑战。与当前主要基于场景并依赖专家知识的方法不同，我们引入两个数据驱动的自动编码模型，学习交通场景的潜在表示。其一是基于 CNN 的时空模型，对交通参与者位置的网格进行自动编码。其次，我们开发了纯基于 RNN 的时序模型，对集合序列进行自动编码。为处理无序集合数据，我们须纳入置换不变性性质。最后，我们展示了潜在场景嵌入如何用于交通场景聚类与相似性检索。
引用
@article{arxiv.2007.07740,
title = {Deep Representation Learning and Clustering of Traffic Scenarios},
author = {Nick Harmening and Marin Biloš and Stephan Günnemann},
journal= {arXiv preprint arXiv:2007.07740},
year = {2020}
}
备注
Workshop on AI for Autonomous Driving, International Conference on Machine Learning (ICML) 2020