面向自动驾驶车辆碰撞预测的时空场景图嵌入
计算机视觉与模式识别
2021-11-12 v1
摘要
在自动驾驶车辆（AVs）中，预警系统依赖碰撞预测以保障乘员安全。然而，使用深度卷积网络的最先进方法要么无法建模碰撞，要么过于昂贵/缓慢，使其不太适合部署在 AV 边缘硬件上。为应对这些局限，我们提出 sg2vec，一种时空场景图嵌入方法，其使用图神经网络（GNN）与长短期记忆（LSTM）层，通过视觉场景感知预测未来碰撞。我们证明，在合成数据集上 sg2vec 比最先进方法预测碰撞准确率高 8.11%、提早 39.07%，在一个具有挑战性的真实世界碰撞数据集上准确率高 29.47%。我们还表明 sg2vec 在从合成数据集到真实世界驾驶数据集的知识迁移上优于最先进方法。最后，我们证明在工业标准 Nvidia DRIVE PX 2 平台上，sg2vec 推理速度比最先进方法快 9.3 倍，模型小 88.0%，功耗低 32.4%，能耗低 92.8%，使其更适于在边缘实现。
引用
@article{arxiv.2111.06123,
title = {Spatio-Temporal Scene-Graph Embedding for Autonomous Vehicle Collision Prediction},
author = {Arnav V. Malawade and Shih-Yuan Yu and Brandon Hsu and Deepan Muthirayan and Pramod P. Khargonekar and Mohammad A. Al Faruque},
journal= {arXiv preprint arXiv:2111.06123},
year = {2021}
}