May, 2015

深度驾驶：自主驾驶直接感知的能力学习

PDF
TL;DR本文提出一种基于直接感知的自动驾驶范式，使用深度卷积神经网络将输入图像映射到与驾驶相关的感知指标，并证明该方法可以成功地应用于不同的虚拟环境和现实场景。
autonomous drivingdirect perceptionconvolutional neural networkaffordancedistance estimation
发现论文，激发创造
  • 城市环境下驾驶的有条件能力学习

    该研究提出了一种基于直接感知的自主驾驶方法，在城市环境中能够根据高级方向输入进行自主导航，同时能够识别交通信号灯和速度标志，降低车辆事故率。

    Jun, 2018

  • 自主驾驶的基于行动的表示学习

    该研究探讨了利用人类驾驶产生的数据对自动驾驶系统进行改进的方法，提出了利用基于行动的驾驶数据进行学习表示的模型，该模型在弱注释图像方面表现出色，并且优于纯粹的端到端驾驶模型，同时更具有可解释性。

    Aug, 2020

  • 超越一模型适配所有：用于自动驾驶汽车的集成深度学习

    通过研究探索多种神经网络模型在自动驾驶中的应用，本研究提出了三种独特的模型并评估了它们在不同驾驶场景中的重要性和局限性。结果表明集成模型的性能优于单个模型，并强调了利用多个模型实现强大性能的重要性，为未来的自动驾驶研究提供了发展方向。

    Dec, 2023

  • 通过学习端到端的视觉关注来解释自动驾驶

    通过使用注意力模型来提高 CARLA 驾驶模拟器的性能，同时通过模仿学习训练代理人来解释自动驾驶中深度学习无法解释的决策问题。

    Jun, 2020

  • 末端到端的视觉运动控制的可供性学习

    采用模块化神经网络体系结构，利用合成数据和模拟技术，通过低维潜在表示生成场景可用性，成功训练机械臂政策。同时，提出了一种数据集生成方法，可轻松推广到新任务、对象和环境，无需手动像素标记。

    Mar, 2019

  • 面向分布感知的自主驾驶安全目标预测和符合模型规划

    本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。

    Dec, 2022

  • 针对自主驾驶的多模态感知参数化决策

    自动驾驶是一项新兴技术，本论文提出了一种基于深度强化学习的参数化决策框架，AUTO，在感知多模态状态特征基础上设计了图形模型来学习多模态语义特征的状态表示，并通过混合奖励函数考虑安全、交通效率、乘客舒适度等因素，以生成最佳行动。通过广泛实验，证明了 AUTO 在宏观和微观效果上领先于现有技术。

    Dec, 2023

  • 通过可视化因果关注实现自动驾驶车辆的可解释性学习

    本研究探讨了可解释的自动驾驶车辆中使用视觉解释的方法，使乘客、保险公司、执法机构和开发人员能够理解神经网络控制模型的行为，该模型采用了视觉关注模型进行训练，并应用因果过滤步骤来确定哪些输入区域实际上影响了输出。该方法在三个数据集上进行了有效性研究，证明了其在自动驾驶行为和人类驾驶行为中的应用价值。

    Mar, 2017

  • 捍卫可供性直接知觉

    通过直接感知环境光线，来对场景中的 affordances（如坐着的）属性进行估算，从而避免了先估算语义或几何形状，再推理 affordances 的中介方法，同时提出了两个直接感知 affordances 的方法，并展示它们获得了良好的结果且可以优于中介方法。

    May, 2015

  • 基于感知的控制鲁棒性保证

    利用感知地图控制自主车辆的问题，设计针对该感知方案的闭环系统安全集和稳健控制器，方法是从复杂和非线性的数据中提取一些与状态相关的线性函数预测值，并在适当的稠密状态空间采样下学习参数，以获得有利的泛化性能。在合成示例和 CARLA 的自动驾驶模拟平台上验证了该方法的实用性。

    Jul, 2019