基于自编码器与 Random Forest 算法的车辆安全应用预测占用网格
机器学习
2025-12-16 v1
摘要
本文使用机器学习算法预测复杂交通场景的概率时空表示。这种表示对于所有主动车辆安全应用均具有重要意义，尤其是在复杂交通场景中执行动态操作时。第一步，使用分层场景分类器区分不同类型的交通场景。该分类器负责识别道路基础设施的类型以及驾驶环境中与安全相关的交通参与者。以每个类别代表相似的交通场景，单独训练一组 Random Forests (RFs) 以预测概率时空表示，该表示描绘了交通参与者的未来行为。这种表示被称为预测占用网格 (POG)。RFs 的输入是增强占用网格 (AOG)。为了提高 RFs 的学习精度并获得更好的预测，使用堆叠去噪自编码器 (SDA) 将 AOG 降维为低维特征。所提出的由 SDAs 和 RFs 组成的机器学习方法在仿真和真实车辆实验中均展现了优异的性能。此外，还展示了 POG 在估计交通场景临界性和确定安全轨迹方面的应用。
引用
@article{arxiv.2512.12901,
title = {Predicted-occupancy grids for vehicle safety applications based on autoencoders and the Random Forest algorithm},
author = {Parthasarathy Nadarajan and Michael Botsch and Sebastian Sardina},
journal= {arXiv preprint arXiv:2512.12901},
year = {2025}
}
备注
2017 International Joint Conference on Neural Networks (IJCNN)