Dec, 2017

自动驾驶汽车深度学习的培训、测试和增强方法 —— 基于《侠盗猎车手 V》的研究

PDF
TL;DR使用 GTA-V 虚拟环境生成 480,000 高速公路驾驶标注图像，训练 CNN 检测基本自动驾驶所需的跟驰距离、车道标线和驾驶角度。使用 Unity-lift 的 PVE 重新创建罕见但关键的转角情况，以重新训练和加强机器学习模型，并理解当前自驾模型的局限性。
autonomous drivingconvolutional neural networksvirtual environmentsafe drivingcorner cases
发现论文，激发创造
  • 端到端训练和测试的游戏化框架用于学习人类高速公路驾驶

    提出了一种基于游戏的端到端学习和测试框架，通过学习人类驾驶技能，利用 Grand Theft Auto V (GTA V) 游戏中的图像预测车辆的操控值，以实现高速公路驾驶的自主车辆。

    Apr, 2024

  • 用于自动驾驶的虚拟到现实强化学习

    本文提出了一种虚拟到现实的转换网络，使得在虚拟环境中训练的强化学习驾驶策略可在现实世界中适应，实验证明此方法效果显著且为首次成功的案例。

    Apr, 2017

  • 在矩阵中驾驶：虚拟世界是否能取代人为生成的真实任务注释？

    这篇研究论文提出了一种使用仿真引擎产生的合成注释数据的方法，以训练机器学习算法。通过在丰富的虚拟环境中训练机器学习算法来实现对真实世界中的物体的分类，为实现自动驾驶汽车等基于传感器分类问题的深度学习应用提供了可能性。

    Oct, 2016

  • 自主驾驶车辆感知的精确合成图像与激光雷达（PreSIL）数据集

    使用 GTA V 的 Precise Synthetic Image and LiDAR (PreSIL) 数据集，在自主车辆感知领域中创建了精确的 LiDAR 模拟器并生成了超过 5 万帧包括高清图片，完整分辨率深度信息、语义分割和点级别分割等详细注释，无需人为标注即可自动采集更多数据，并且在使用我们的数据预训练最先进的 3D 目标检测网络时，KITTI 3D 目标检测基准测试平均准确度提高了 5%。

    May, 2019

  • DeepTest: 深度神经网络驱动的自动驾驶汽车自动化测试

    本文介绍了 DeepTest，一个系统的测试工具，可以自动侦测潜在的导致致命碰撞的深度学习驱动车辆的错误行为，通过生成最大化激活神经元数量的测试输入，并利用现实世界变化的驾驶条件（例如雨、雾、照明条件等）来自动生成测试用例，能够发现许多在 Udacity 自动驾驶汽车挑战赛中，三个表现最佳的深度学习神经网络车中，具有潜在致命意外的错误行为。

    Aug, 2017

  • 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

  • 基于模型的深度卷积神经网络仿真

    该论文研究使用虚拟环境训练 CNN 模型的有效性，并针对城市语义理解提出了一种简单的概率场景模型，开发了参数化渲染工具进行数据综合，并系统地探索了真实感水平对 CNN 模型普适性的影响以及域自适应概念，以减少性能偏差。

    May, 2016

  • 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

  • 安全导航：在 CARLA 中使用深度强化学习进行自主车辆训练

    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

  • 利用生成式 AI 模拟自主驾驶在车辆混合现实元宇宙中的应用

    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