Apr, 2018

通过模块化和抽象实现驾驶策略转移

PDF
TL;DR该论文提出了一种通过模块化和抽象化来从仿真环境中转移自动驾驶车辆策略到现实世界的方法，该方法旨在将模块化架构和端到端的深度学习方法的优点相结合，从而解决自动驾驶车辆训练中的传递性问题，并在仿真城市环境和现实世界中进行了评估。
autonomous drivingsimulationtransfer learningmodular architecturesend-to-end deep learning
发现论文，激发创造
  • 从模拟中学习驾驶技能，无需真实世界标签

    该论文研究基于模拟的无人驾驶视觉导航系统，探讨了如何通过图像转换实现域间转换并在农村和城市道路上对自闭车的驾驶性能进行评估。

    Dec, 2018

  • 基于条件模仿学习的端到端驾驶

    本文提出了一种基于高层指令输入的条件性模仿学习方法，使得经过训练的车辆在测试时间内仍然能够遵循导航指令，本文在仿真实验和机器人卡车实验中对各种条件性模仿学习架构进行了评估和实践。

    Oct, 2017

  • 基于仿真的强化学习在自主驾驶中的应用

    采用强化学习和模拟技术开发驾驶系统，使用合成数据进行训练并验证了其在真实道路环境中的稳健性与有效性。

    Nov, 2019

  • 无限驾驶：具有多模态基础模型的通用端到端自动驾驶

    通过使用多模态基础模型，我们提出了一种方法来增强自主驾驶系统的鲁棒性和适应性，实现了开放环境中的端到端多模态自主驾驶，并能从图像和文本的表示中提供驾驶决策。

    Oct, 2023

  • 泛化自驾车策略的模仿学习及模拟转现实

    本文研究应用 Imitation Learning 和 transfer learning 方法解决 Duckietown 场景下的机器人车道跟踪问题，并通过 sim-to-real 方法进行实际环境迁移，最终比较了三种 Imitation Learning 方法和两种 sim-to-real 方法的优缺点。

    Jun, 2022

  • 使用端到端深度模仿学习的敏捷自主驾驶

    我们提出了一种使用低成本传感器进行敏捷越野自主驾驶的端到端模仿学习系统，通过模仿配备高级传感器的模型预测控制器，我们训练了一个深度神经网络控制策略，将原始的高维观测映射到连续的转向和油门命令，这个方法不需要状态估计或实时规划来导航车辆，并通过在线模仿学习克服了协变量漂移方面的挑战，实现了成功的高速越野行驶，匹配了最新的性能水平。

    Sep, 2017

  • 从大规模视频数据集中端对端学习驾驶模型

    利用大规模的众包视频数据，从中学习通用车辆运动模型，并开发了一种端到端可训练的架构，用于从瞬间单目摄像头观察和先前的车辆状态中学习预测未来车辆自我运动的分布。

    Dec, 2016

  • 自动驾驶汽车中从模拟环境到真实环境的驾驶观察模型可迁移性研究

    研究通过模拟数据进行驾驶员观察模型的训练，并探索将这些模型转移到真实自动驾驶场景中的可行性，结果显示模型的识别质量明显下降，存在模型转移的挑战。

    Jul, 2023

  • ChauffeurNet：学习最好的驾驶方式，合成最差的驾驶方式

    本研究旨在通过模仿学习训练一个自动驾驶策略，以使其足够强大以驾驶真实汽车。为了应对复杂的驾驶场景，我们建议在专家的驾驶基础上引入扰动来合成数据，并使用额外的损失函数强化模型。实验证明这种模型能够在模拟环境中适应复杂的驾驶场景，并能够在真实环境下驾驶汽车。

    Dec, 2018

  • 城市驾驶员：使用策略梯度从现实演示中学习驾驶

    本文提出了一种离线策略梯度方法，通过在感知输出和高保真度地图上构建可微分的数据驱动模拟器来从现实世界的大量演示中学习城市驾驶的模仿策略，进而在闭环中使用策略梯度训练策略网络，并通过在 100 小时的专家演示上进行训练，展示其能够学习出高泛化性能和多种驾驶动作的城市驾驶策略，并且无需进行复杂的状态扰动或采集进一步的在线策略数据而在真实世界中优于现有的最新城市驾驶方案。

    Sep, 2021