RS2G：面向鲁棒自主感知与场景理解的数据驱动场景图提取与嵌入
计算机视觉与模式识别
2023-09-06 v2 机器学习
摘要
有效捕捉道路使用者之间复杂的交互对于实现自动驾驶车辆的安全导航至关重要。尽管图学习（GL）已成为应对该挑战的一种有前景的方法，现有 GL 模型依赖于预定义的领域特定图提取规则，这些规则在现实世界中剧烈变化的场景下往往失效。此外，这些图提取规则严重阻碍了现有 GL 方法跨领域泛化知识的能力。为解决此问题，我们提出 RoadScene2Graph（RS2G），一种创新的自主场景理解框架，其采用新颖的数据驱动图提取与建模方法，动态捕捉道路使用者之间的多样关系。我们的评估表明，在主观风险评估中，RS2G 平均优于最先进的（SOTA）基于规则的图提取方法 4.47%，优于 SOTA 深度学习模型 22.19%。更重要的是，RS2G 在将模拟环境中获得的知识迁移至未见过的真实世界场景时表现出明显更优的性能。
引用
@article{arxiv.2304.08600,
title = {RS2G: Data-Driven Scene-Graph Extraction and Embedding for Robust Autonomous Perception and Scenario Understanding},
author = {Junyao Wang and Arnav Vaibhav Malawade and Junhong Zhou and Shih-Yuan Yu and Mohammad Abdullah Al Faruque},
journal= {arXiv preprint arXiv:2304.08600},
year = {2023}
}