Die Blickrichtung des Fahrers enthält wichtige kognitive und absichtliche Hinweise, die für intelligente Fahrzeuge von entscheidender Bedeutung sind. Trotz ihrer Bedeutung ist die Forschung zur Blickschätzung im Fahrzeug aufgrund des Mangels an umfassenden und gut annotierten Datensätzen in realen Fahrsituationen begrenzt. Diese Arbeit präsentiert drei neuartige Elemente, um die Forschung zur Blickschätzung im Fahrzeug voranzubringen: einen neuartigen Datensatz für die Blickschätzung im Fahrzeug, eine duale Strom-Blickpyramiden-Transformer-Architektur für eine genaue Blickschätzung im Fahrzeug und eine Erweiterung für die Klassifizierung von Blickzonen.
Das Kernkonzept dieses Artikels ist die Entwicklung einer adaptiven Verhaltenssteuerung für autonome Fahrzeuge (AV), die auf Prinzipien der nicht-kooperativen Spieltheorie basiert. Durch die Verwendung von Maximum-Entropy-Inverse-Reinforcement-Learning (IRL) zur Optimierung der Modellparameter können AVs interaktive Verhaltenswahrscheinlichkeiten in dynamischen Umgebungen lernen und erkennen.
Effiziente Anomalieerkennung für Fahrzeuge durch das Multi-Knowledge Fused Anomaly Detection System MKF-ADS.