Jan, 2018

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 自动驾驶直接感知的快速循环全卷积神经网络

    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。

    Nov, 2017

  • 基于语义深度云地图和多智能体技术的端到端自动驾驶

    本文提出了一种深度学习模型，通过端到端和多任务学习方法进行训练，同时执行感知和控制任务，用于自动驾驶车辆的点对点导航；在 CARLA 模拟器上进行评估，同时与其他已有模型进行比较和消融实验，实现了更高的驾驶分数。

    Apr, 2022

  • 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

  • 基于深度学习模型的驾驶策略预测

    本项目实现了一个端到端系统，该系统接收来自普通摄像头的视频帧的综合视觉特征和来自点云扫描仪的深度信息，并预测驾驶策略（车辆速度和转向角度）。通过与真实世界经验丰富的驾驶员的标准行为进行比较，我们验证了我们系统的安全性。我们的测试结果表明，在至少一半的测试案例中（取决于模型），预测结果可以被视为准确的，并且与仅使用视频帧相比，使用综合特征在大多数情况下提高了性能。

    Jul, 2023

  • MultiNet：面向自动驾驶的多模态多任务学习

    本研究使用多模态多任务学习技术来学习自主驾驶中的多个行为模式。研究表明，该方法比单个模式训练的神经网络表现更好，而且参数数量更少。

    Sep, 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