城市环境下驾驶的有条件能力学习
本文提出一种基于直接感知的自动驾驶范式,使用深度卷积神经网络将输入图像映射到与驾驶相关的感知指标,并证明该方法可以成功地应用于不同的虚拟环境和现实场景。
May, 2015
针对自主驾驶中手工制定决策规则的困难,利用易于收集的人类驾驶数据学习行为的能力,同时结合计算机视觉的语义、几何和运动表征,提出了一种基于条件模仿学习的端到端方法,使自动驾驶车辆能够在城区中跟随用户指定的路线,具备横向和纵向控制能力,并且在欧洲城市街道上行驶了 35 公里的新路线。
Nov, 2019
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
该研究探讨了利用人类驾驶产生的数据对自动驾驶系统进行改进的方法,提出了利用基于行动的驾驶数据进行学习表示的模型,该模型在弱注释图像方面表现出色,并且优于纯粹的端到端驾驶模型,同时更具有可解释性。
Aug, 2020
本文采用一种叫 implicit affordances 的新技术,成功地通过强化学习算法完成了诸如车道保持,行人和车辆避让,以及红绿灯检测等复杂任务,最终在 CARLA 挑战赛中获胜。
Nov, 2019
本文提出了一种基于模块化架构的学车任务分解方法,在障碍感知、目标预测和规划方面均取得了优秀的方法,并在 CARLA 模拟器上实现了最新的优秀结果。
Dec, 2022
本文提出了一种基于多任务学习和注意力模型的新型自动驾驶条件模仿学习网络,通过解决交通灯反应问题,不仅提高了标准基准测试的成功率,而且具备了响应交通信号的能力。
Apr, 2021
本研究提出了基于分离式概率潜变量模型来生成方向盘操控命令的新方法,以实现对自动驾驶汽车进行高层次控制的目的,并扩展了模型以训练对异常方向盘操控命令具有弹性的控制器,达到了在可靠性和可解释性方面均优于当今最先进的技术水平的目的。
Sep, 2019
通过深度学习模型,我们研究了特权强化学习代理和感知运动代理在城市驾驶中的差异,以缩小二者之间的差距,并提出了逐步发展较不特权的强化学习代理的解决方案。我们还观察到离线数据集上训练的鸟瞰图模型在在线强化学习训练中存在分布不匹配的问题。通过在 CARLA 模拟环境中进行严格评估,我们揭示了强化学习中状态表示对自动驾驶的重要性,并指出了未解决的研究挑战。
Sep, 2023