NIPSOct, 2017

基于端到端深度学习的自动驾驶转向考虑时间依赖性

PDF
TL;DR该研究提出了一种基于 C-LSTM 的全面可训练的人工神经网络模型，用于根据前置摄像头数据流和关联的车辆转向角度学习驾驶的视觉和动态时间依赖关系。同时，将转向角度回归问题作为分类问题，并在输出层神经元之间施加一定的空间关系，从而通过学习编码转向角度的正弦函数的方法来进行转向预测，该方法在公开数据集 Comma.ai 上验证，相较于现有方法，平均根均方误差提升了 35％，转向更为稳定。
artificial neural networksconvolutional long short-term memory recurrent neural networksteering angle regressioncomma.ai datasettemporal dependencies
发现论文，激发创造
  • 深度转向：从时空视觉线索中学习端到端驾驶模型

    本文研究利用低成本车载摄像头进行自主驾驶算法，并通过深度神经网络将原始输入图像直接映射到方向盘角度的视觉模型，提出了一种结合空间和时间线索的模型，有助于解释学习到的模型，通过分析人类驾驶数据，比较了此模型与其他自主驾驶车辆状态先进模型的性能差异。

    Aug, 2017

  • 自动驾驶汽车的端到端多模态多任务车辆控制与视觉感知

    在自动驾驶领域，使用卷积神经网络（CNN）进行端到端的方向控制任务已经取得了成功。但是单一任务学习方向控制并不足以进行车辆控制，因此本文提出了一种多任务学习的框架，通过预测视觉输入和上一时刻的速度反馈来同时预测方向控制和速度控制。通过实验，证明了该模型能够准确地预测方向角和速度值。此外，本文还改进了故障数据合成方法，以解决在真实道路测试中出现的错误积累问题。

    Jan, 2018

  • 无人驾驶汽车的端到端学习

    使用卷积神经网络实现端到端的无人驾驶系统，自动学习所需处理步骤的内部表示，以及如何检测车道等相关功能优化，最终将导致更好的表现和更小的系统

    Apr, 2016

  • 通过前向摄像头进行端到端车辆纵向控制的模仿学习

    本文介绍了一种基于神经网络和长短时记忆的端到端的仿真学习系统，以控制车辆速度，并通过数据和标签增强来实现在纵向控制场景下的鲁棒性和泛化能力，该系统只基于前置摄像头图像，在模拟环境和真实道路测试中展现了良好的控制效果。

    Dec, 2018

  • 车道关注：通过学习车道上的注意力预测车辆的运动轨迹

    通过关注机制和 LSTM 网络，该文研究了自动驾驶车辆中驾驶员意图与车辆位置变化的关系，并将其用于预测，采用非欧几里得图形和图神经网络等处理方式比其他最先进技术表现更好，此模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。

    Sep, 2019

  • 利用单鱼眼摄像头进行车辆横向端到端控制

    本文提出了一种新颖的模型，使用一个短程鱼眼摄像头生成数据和标签增强来控制自动驾驶汽车的转向角，我们的模拟器可以用作一致的度量指标来评估端到端控制，实验表明该模型能够在大多数道路情况下实现超过 99％的自主性。

    Aug, 2018

  • 基于元胞自动机模型和 CNN-LSTM 架构的交通流预测深度学习

    基于卷积神经网络（CNNs）和长短期记忆（LSTM）深度学习架构，利用基于元胞自动机的统计力学模型预测交通流量，并通过观察统计力学模型的归一化能量分布的尺度不变性，采样模拟数据来生成大规模交通系统的训练和测试数据，结果显示预测与真实交通流动态之间存在良好的一致性。

    Mar, 2024

  • 基于图像识别的自动驾驶车辆转向角度预测

    探讨使用深度学习技术中的 Transfer Learning，3D CNN，LSTM 和 ResNet 来预测自动驾驶车辆的方向盘转角，并在 Udacity 挑战赛中达到前十名。

    Dec, 2019

  • 事件驱动视觉与深度学习在自动驾驶汽车转向预测中的应用

    本文提出了一个深度神经网络方法，使事件摄像头在车辆转向角度预测等困难运动估计任务上发挥潜力，并展示了从传统到基于事件的视觉进行传递学习的优势和优于基于标准摄像头的最先进算法的表现。

    Apr, 2018

  • LSTM 网络用于高速公路轨迹预测

    本文提出了一种基于 LSTM 神经网络对高速公路行驶中的车辆进行准确的纵向和横向轨迹预测方法，同时使用 NGSIM US-101 数据集中来自超过 6000 名司机的 800 小时记录轨迹进行训练和验证。

    Jan, 2018