Foresee：基于在线训练的混沌道路环境注意力未来投影
机器学习
2018-05-31 v1 机器学习
摘要
在本文中，我们训练一个循环神经网络来学习混沌道路环境的动力学，并将环境的未来投影到一幅图像上。未来投影可用于预见未见的環境，例如在自动驾驶中。由于车辆与行人等交通参与者之间的交互，道路环境高度动态且复杂。即便在此复杂环境中，人类驾驶员不论交通参与者数量多少，都能在混沌道路上有效安全驾驶。深度学习研究的兴盛已显示出神经网络在学习此种人类行为上的功效。在同一方向上，我们研究循环神经网络以理解由行人、车辆（汽车、卡车、自行车等）有时还有动物共享的混沌道路环境。我们提出Foresee，一种带注意力机制的单向门控循环单元（GRUs）网络，以图像形式投影环境的未来。我们收集了德里道路上的若干视频，包含各类交通参与者、背景与基础设施差异（如3D人行横道），于不同日期的不同时刻录制。我们以无监督方式训练Foresee，并使用在线训练投影提前至多秒的帧。我们展示所提模型优于SOTA方法（prednet与Enc. Dec. LSTM），最后我们表明训练模型泛化至一公开数据集以进行未来投影。
引用
@article{arxiv.1805.11861,
title = {Foresee: Attentive Future Projections of Chaotic Road Environments with Online Training},
author = {Anil Sharma and Prabhat Kumar},
journal= {arXiv preprint arXiv:1805.11861},
year = {2018}
}