BriefGPT - AI 论文速递
·
SGRU：用于交通流预测的高性能结构化门控循环单元
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种新的编码-解码体系结构，Fusion-GRU网络，用于未来边界框定位。该方法考虑了自车视角的目标交通参与方未来位置和尺度的复杂相互作用，并引入了中介估计器和自注意力聚合层来学习长期预测的时序依赖关系。实验结果表明Fusion-GRU在预测交通参与方未来边界框方面具有良好性能。
🎯
关键要点
-
自动驾驶车辆和高级驾驶辅助系统需要预测周围交通参与方的未来边界框。
-
本文介绍了一种新颖的编码-解码体系结构，称为Fusion-GRU网络。
-
Fusion-GRU网络考虑了自车视角的目标交通参与方未来位置和尺度的复杂相互作用。
-
该方法引入了中介估计器和自注意力聚合层，以学习长期预测的时序依赖关系。
-
在ROL和HEV-I两个公开数据集上评估了Fusion-GRU的性能。
-
实验结果表明Fusion-GRU在预测交通参与方未来边界框方面具有良好性能。
🏷️
标签
➡️
