CVPRNov, 2017

自动驾驶直接感知的快速循环全卷积神经网络

PDF
TL;DR通过提出三个小型，计算成本较低的深度端到端神经网络模型，直接从输入图像中产生驾驶控制信号，并利用深度和薄型全卷积网络与递归神经网络以及低参数计数等方法来解决复杂的端到端回归任务，预测转向和加速度指令，并包括分类优化层，以允许网络隐式地学习图像语义。我们证明，与最新的可比较的端到端驾驶网络相比，所得到的网络使用了 3 倍少的参数以及比 AlexNet 变化小 500 倍，同时维持对于过拟合的稳健性。
deep convolutional neural networkend-to-end regressionautonomous drivingrecurrent neural networksfully convolutional nets
发现论文，激发创造
  • 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

  • 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

  • 高速行驶中深度学习的实证评估

    本文基于大量的实证评估，探讨了近期深度学习技术在高速公路感知场景中的应用，通过使用神经网络对车道和车辆进行检测，同时保证了实时性，证实了深度学习在自动驾驶领域的潜在应用价值。

    Apr, 2015

  • 通过卷积神经网络实时检测驾驶员注意力分散以增强道路安全

    通过比较分析卷积神经网络结构，本研究旨在识别出最有效的实时检测驾驶员分心的模型，以提升车辆安全系统的能力，从而预防因不注意引发的事故。

    May, 2024

  • 基于全卷积神经网络的 LIDAR 行驶路径生成

    本研究使用全卷积神经网络，在 LIDAR 点云、GPS-IMU 信息和 Google 驾驶方向的帮助下生成驾驶路径，并通过测试获得了良好的性能，标志着该系统有望填补底层场景解析和行为反射方法之间的差距。

    Mar, 2017

  • 使用深度卷积神经网络进行自动驾驶的多模态轨迹预测

    自动驾驶系统面临着交通行为不确定性高等问题，本文提出了基于深度卷积神经网络的多轨迹交通演算方法，能够精确地预测交通行为并评估它们的概率，此方法也已成功应用于自动驾驶车辆中。

    Sep, 2018

  • 基于端到端深度学习的自动驾驶转向考虑时间依赖性

    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。

    Oct, 2017

  • 驾驶员识别的卷积循环神经网络模型中的驾驶风格表示

    本文提出了一种深度神经网络结构 D-CRNN，通过结合卷积神经网络（CNN）和循环神经网络（RNN）的优势，建立了高保真度的驾驶风格表示，通过几个大型实时数据库的广泛实验和与先进的深度学习和非深度学习解决方案的比较，证明了这些技术在驾驶员识别方面的有效性。

    Feb, 2021

  • 使用深度神经网络从连续驾驶场景中进行鲁棒车道检测

    本论文提出了一种利用卷积神经网络模块和循环神经网络模块相结合的深度神经网络架构，以处理在单一图像中无法精确检测车道的情况，并将连续多个时间序列的 CNN 特征输入到 RNN 训练模型中，以成功预测车道。

    Mar, 2019

  • 将交通视为图像：用深度卷积神经网络对大规模交通网络速度进行预测

    本文提出了一种基于卷积神经网络的方法，将交通数据通过二维时间空间矩阵转化成图像进行处理，并预测大规模网络流量，实验结果表明该方法在处理大规模交通网络数据方面表现出较高的准确性。

    Jan, 2017