采用生成式对抗模仿学习模型训练递归策略,提高了人类驾驶行为仿真在智能交通系统应用中的准确性,具有较高的实用性。
Jan, 2017
通过使用机器学习,该研究提出了一种能够通过观察图像数据和相关动作对来学习环境行为并进行建模的高质量神经模型,称为 DriveGAN,不需要监督信号训练控制模型,并在多个数据集上进行了训练和测试,表现优于之前的数据驱动模拟器,实现了对场景和非玩家对象的各个方面进行控制的新功能。
Apr, 2021
本研究提出基于深度神经网络的端到端学习自动驾驶系统 SuperDriver AI,该系统学习来自经验丰富的人类驾驶员的驾驶行为和政策,采取驾驶操作并确保路面安全。实验结果表明,该系统在真实行驶场景下运行良好。
May, 2023
本文提出一种通过学习真实世界中的驾驶示范数据来学习神经驾驶策略的方法,并使用广义博弈对抗模型进行智能驾驶行为生成,同时介绍了解决多智能体驾驶建模中存在的问题的多智能体模型,并描述了奖赏信号修正的 reward augmented imitation learning (RAIL) 和 Burn-InfoGAIL 对潜在变化因素进行解耦的方法。在 NGSIM 实验数据集上,成功地模拟了高速公路上的驾驶行为。
Jun, 2020
通过模拟驾驶场景来验证自主车辆的安全性,GAIL 可学习到具有代表性的人类驾驶模型,但在多主体驾驶情境中存在困难,我们通过基于课程学习的参数共享方法扩展 GAIL 以解决这些缺点,PS-GAIL 方法生成的策略在多主体设置下表现优异且能够捕捉人类驾驶员的紧急行为。
Mar, 2018
使用 MGAIL 在密集城市自动驾驶方面进行了第一次大规模应用,通过使用分层模型和经过现实汽车采集的经验轨迹进行性能度量,并结合闭环 MGAIL 损失和开环行为克隆损失实现了稳健的导航策略。
Oct, 2022
利用生成神经网络学习合成驾驶行为并使用控制器教练网络来模仿人类学习,通过在 Road Rash 游戏地图上测试模型的学习程度来验证模型的准确性。
Nov, 2016
本研究旨在通过模仿学习训练一个自动驾驶策略,以使其足够强大以驾驶真实汽车。为了应对复杂的驾驶场景,我们建议在专家的驾驶基础上引入扰动来合成数据,并使用额外的损失函数强化模型。实验证明这种模型能够在模拟环境中适应复杂的驾驶场景,并能够在真实环境下驾驶汽车。
Dec, 2018
本研究提出一种自动驾驶架构,利用生成式人工智能在模拟中合成无限的特定条件交通和驾驶数据以提高驾驶安全性和交通效率,并通过多任务增强式拍卖机制为道路侧单元提供精细的资源激励。
Feb, 2023
该论文研究基于模拟的无人驾驶视觉导航系统,探讨了如何通过图像转换实现域间转换并在农村和城市道路上对自闭车的驾驶性能进行评估。