DeepRoad：基于 GAN 的形变自主驾驶系统测试

Feb, 2018

DeepRoad：基于 GAN 的形变自主驾驶系统测试

DeepRoad: GAN-based Metamorphic Autonomous Driving System Testing

Mengshi Zhang, Yuqun Zhang, Lingming Zhang, Cong Liu, Sarfraz Khurshid

TL;DR本文提出了 DeepRoad，是一个无监督的框架，它可以通过使用生成对抗网络以及对应的现实天气场景，自动生成各种天气条件下的准确驾驶场景，用于测试 DNN 自动驾驶系统的一致性，并在三个认可的 DNN 自动驾驶系统上进行了实验，证明了 DeepRoad 可以检测出数千种行为不一致性。

Abstract

While deep neural networks (DNNs) have established the fundamentals of DNN-based autonomous driving systems, they may exhibit erroneous behaviors and cause fatal accidents. To resolve the safety issues of autonom

deep neural networks autonomous driving systems testing techniques generative adversarial networks behavioral inconsistencies

发现论文，激发创造

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

SAD-GAN: 基于生成对抗网络的合成自主驾驶

利用生成神经网络学习合成驾驶行为并使用控制器教练网络来模仿人类学习，通过在 Road Rash 游戏地图上测试模型的学习程度来验证模型的准确性。

Nov, 2016

GAD - 基于生成学习的高清地图无驾驶

提出一种基于深度学习的方法，将预测、决策和规划模块融合起来，以克服自动驾驶系统中基于规则的方法在真实世界应用中的不足，特别是在城市场景中。所提出的 DNN 模型仅经过 10 小时的人工驾驶数据训练，并且支持市场上所有的批量生产 ADAS 功能。在此论文中，展示了该方法在不对车辆的传感器设置和计算平台进行任何修改的情况下，通过部署到集约的测试车辆上，展示了其可行性、可用性和商业潜力。

May, 2024

基于 GAN 的深度监督语义分割方法

本研究提出了一种改进的语义分割模型，将对抗学习的优势与最先进的语义分割技术相结合，以捕捉交通图像中复杂而微妙的特征，通过在道路裂缝数据集上与现有方法（如 SEGAN）相比的显著性能提升来证明方法的有效性，提供了更精细和准确的道路结构和状况的表示，为道路裂纹的检测以及智能交通中的交通标志识别、车辆检测和车道分割等广泛应用做出了贡献。

Oct, 2023

DriveGAN：朝着可控的高质量神经仿真

通过使用机器学习，该研究提出了一种能够通过观察图像数据和相关动作对来学习环境行为并进行建模的高质量神经模型，称为 DriveGAN，不需要监督信号训练控制模型，并在多个数据集上进行了训练和测试，表现优于之前的数据驱动模拟器，实现了对场景和非玩家对象的各个方面进行控制的新功能。

Apr, 2021

基于仿真的带机器学习组件的自动驾驶车辆对抗测试生成

本文针对包含机器学习组件的自动驾驶系统，提出了一个测试框架，利用测试用例生成和自动实现方法进行评估，并演示了如何使用覆盖数组等测试用例生成方法以及需求实现方法来自动识别问题情景，从而提高自动驾驶系统的可靠性。

Apr, 2018

探索在驾驶数据合成中的生成式人工智能应用

通过三种不同的生成式人工智能方法应用驾驶模拟器中的语义标签图作为创建真实数据集的桥梁，本文比较分析了这些方法的图像质量和感知能力，产生了包括驾驶图像和自动生成的高质量注释的新合成数据集，证明了扩散式方法可以提供改进的稳定性和解决 Sim2Real 挑战的替代方法。

Apr, 2024

PhysGAN：为自主驾驶生成物理世界鲁棒的对抗样本

通过 PhysGAN 产生物理世界中鲁棒性的对抗性样本，有效欺骗自动驾驶系统并在数字仿真和现实世界中进行评估，比其他基线方法表现更好，为攻击常规自动驾驶场景生成逼真和具有物理世界鲁棒性的对抗性样本的首个技术。

Jul, 2019

GenAD: 生成式端到端自动驾驶

提出了一个新的端到端自动驾驶范式，自动驾驶的关键在于预测自车和周围环境随着时间的演变，通过生成建模问题通过 GenAD 框架，模型了自动驾驶问题，并在广泛使用的 nuScenes 基准测试中取得了高效的最新成果。

Feb, 2024

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