SAD-GAN: 基于生成对抗网络的合成自主驾驶
本文提出了 DeepRoad,是一个无监督的框架,它可以通过使用生成对抗网络以及对应的现实天气场景,自动生成各种天气条件下的准确驾驶场景,用于测试 DNN 自动驾驶系统的一致性,并在三个认可的 DNN 自动驾驶系统上进行了实验,证明了 DeepRoad 可以检测出数千种行为不一致性。
Feb, 2018
通过三种不同的生成式人工智能方法应用驾驶模拟器中的语义标签图作为创建真实数据集的桥梁,本文比较分析了这些方法的图像质量和感知能力,产生了包括驾驶图像和自动生成的高质量注释的新合成数据集,证明了扩散式方法可以提供改进的稳定性和解决 Sim2Real 挑战的替代方法。
Apr, 2024
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
提出了一个新的端到端自动驾驶范式,自动驾驶的关键在于预测自车和周围环境随着时间的演变,通过生成建模问题通过 GenAD 框架,模型了自动驾驶问题,并在广泛使用的 nuScenes 基准测试中取得了高效的最新成果。
Feb, 2024
提出一种基于深度学习的方法,将预测、决策和规划模块融合起来,以克服自动驾驶系统中基于规则的方法在真实世界应用中的不足,特别是在城市场景中。所提出的 DNN 模型仅经过 10 小时的人工驾驶数据训练,并且支持市场上所有的批量生产 ADAS 功能。在此论文中,展示了该方法在不对车辆的传感器设置和计算平台进行任何修改的情况下,通过部署到集约的测试车辆上,展示了其可行性、可用性和商业潜力。
May, 2024
通过使用变分自编码器和条件递归神经网络,本文研究了一种新的自动驾驶汽车仿真方法,通过学习驾驶员行为的克隆,并通过模拟道路中未来的事件来规划车辆行驶路线, 在不涉及像素空间成本函数的情况下优化转换模型,并且我们的方式可以在几帧内持续预测逼真的视频。
Aug, 2016
智能驾驶系统应能根据当前环境和车辆状况动态制定适当的驾驶策略,确保系统的安全可靠性。本文介绍了一种适用于复杂和各种场景的安全通用端到端自动驾驶系统(SGADS),该系统结合了变分推断与归一化流,使智能车辆能够准确预测未来的驾驶轨迹,并提出了鲁棒安全约束的制定方法。此外,我们将强化学习与示范结合,以增强智能体的搜索过程。实验结果表明,与现有方法相比,我们的 SGADS 能够显著提高安全性能,在复杂城市场景中展现出强大的泛化能力,并提高智能车辆的训练效率。
Jan, 2024
通过将序列预测和生成对抗网络的工具相结合,我们成功地解决了自动移动平台中的人体运动行为预测问题,并在准确性,多样性,碰撞避免和计算复杂性方面胜过了以往的工作。
Mar, 2018