基于偶然不确定性的单人姿态估计模型测试时增强算法

针对现有单人姿态估计网络结果缺乏可靠性评估和鲁棒性保障等问题,提出了一种基于偶然不确定性的测试时增强方法。该方法首先利用随机并行的数据增强和模型推理得到多样化输出,随后通过计算该输出的偶然不确定性得到其可靠性评估,最后根据可靠性将该输出及其不确定性进行加权融合以得到更准确鲁棒的结果及其评估。在MPII数据集上的实验表明,该算法可即插即用地应用于任意现有单人姿态估计网络,从而得到更精确鲁棒的结果及其不确定性评估。

基于贝叶斯可靠性的设计优化在弹翼蒙皮设计中的应用

针对设计优化中存在的偶然不确定性和认知不确定性,采用贝叶斯理论,利用验前信息,进行可靠性分析,提出了基于贝叶斯可靠性的设计优化方法,并将其应用到弹翼蒙皮设计中。在仿真中,计算了两种不确定性下的可靠度分布,优化结果达到了可靠性要求,并且计算简单,易于工程实现。

面向无信号灯十字路口场景的自动驾驶安全决策方法研究

针对环境遮挡与交通参与者行为随机导致的驾驶风险,提出一种面向无信号灯十字路口场景的安全决策方法。首先,建立一种基于值分布式强化学习-全参数化分位数网络(Fully parameterized quantile network,FPQN)的基础决策策略。其次,融合FPQN建模的累积回报分布与条件风险价值函数(Conditional value at risk,CVaR),进而构建具有驾驶风险意识的安全决策策略。再次,引入集成学习理论(Ensemble),建立基于集成FPQN的决策不确定性估计框架EFPQN,能够实时量化决策风险。同时,为应对决策不确定性较高带来的驾驶风险,设计基于模型预测控制的备选策略以提升安全性。最后,采用SUMO仿真平台搭建无信号灯十字路口场景,对提出的安全决策方法进行验证。试验结果表明,与基准方法相比,所提出的方法能够有效降低遮挡与交通参与者行为随机导致的驾驶风险。