CARLA：一个开源城市驾驶模拟器
本文介绍了在 CARLA 模拟器中，基于 CaRINA2 架构设计了一个自主车辆导航系统，能够有效避免交通违规，具备障碍物检测、交通标志检测、风险评估、决策制定和控制等多个关键组件，利用卷积神经网络等技术实现。该系统在首届 CARLA 自主驾驶挑战赛中成绩斐然，取得了 3 个赛道的胜利。
Oct, 2020
自主车辆需要行驶超过 110 亿英里以确保其安全性。因此，在进行真实世界测试之前进行模拟测试的重要性是不言而喻的。近年来，以 Carla 和 CarSim 为代表的自主驾驶三维模拟器的发布，标志着自主驾驶模拟测试环境从简单的 2D 俯视图过渡到复杂的三维模型。本论文提出了一个基于深度强化学习的自动生成程序的框架，该框架可以生成不同的二维地面脚本代码，用于构建三维模型文件和地图模型文件。生成的三维地面场景在 Carla 模拟器中显示，实验者可以使用该场景进行导航算法模拟测试。
Jul, 2024
本论文基于强化学习（RL）与 Deep Q-Learning 框架以及 CARLA 仿真环境，探索了一种实现自动驾驶车辆在高速行驶时保持车道并避让其他车辆的策略，以提高交通安全性。
Jun, 2023
提出一种基于 CARLA 模拟器的自动化测试框架 ANTI-CARLA，用于模拟令一般驾驶系统失灵的天气条件和传感器故障，该框架拥有高效的搜索机制，并成功地发现了一系列失败案例，该框架可用于任何给定驾驶管道的对抗性测试，作者在该框架下对 Learning By Cheating 方法训练的驾驶管道进行了测试。
Jul, 2022
通过使用神经机器人平台及其 “引擎” 和 “转发器函数” 概念，本研究分析了开发新型模拟器实现真正真实世界仿真目标的潜力和可能性，并基于 NRP-Core 平台构建了一个自动驾驶系统，包括目标检测和自主控制。
Dec, 2022
为了在错综复杂的实际情景中安全驾驶，自主车辆需要能够适应各种道路条件并预测未来事件。为了弥补这个空白，我们介绍了 CarDreamer，这是第一个专门用于开发基于世界模型的自主驾驶算法的开源学习平台。它包括三个关键组成部分：1）世界模型骨干：CarDreamer 集成了一些最先进的世界模型，简化了 RL 算法的复现过程。2）内置任务：CarDreamer 提供一套全面可配置的驾驶任务，与 Gym 接口兼容，并配备了经验证的优化奖励函数。3）任务开发套件：该套件简化了驾驶任务的创建过程，可以轻松定义交通流量和车辆路线，并自动收集多模态观测数据。可视化服务器允许用户通过浏览器实时追踪代理驾驶视频和性能指标。我们还使用内置任务进行广泛的实验证明了 WM 在自主驾驶中的性能和潜力，并通过 CarDreamer 的丰富性和灵活性系统地研究了观测模态、可观测性和车辆意图共享对 AV 安全性和效率的影响。所有代码和文档都可以在该 URL 中访问。
May, 2024
自主驾驶汽车使用深度强化学习技术在不确定环境中进行决策，通过使用 CARLA 模拟器在真实城市环境中训练和测试自动驾驶模型，实现了准确的对象识别和距离估计以及有效的交通导航。
Oct, 2023
使用 ARCANE 框架在 CARLA (0.9.13) 中生成的自由行人数据集，用于行人检测，自编码，姿势估计和姿势提升，并展示了基准结果。
Apr, 2023
本文介绍了用于自动驾驶的高保真度模拟器 LGSVL Simulator，可与 Autoware 和 Apollo 等开源自动驾驶栈完美搭配使用，并提供自定义传感器、可控对象和环境数码孪生等功能。
May, 2020