ICMLJul, 2018

使用虚拟速度限制和神经网络调度为自动驾驶汽车编码运动原语

PDF
TL;DR本文提出了一种在基于模型和无梯度强化学习的神经网络中对运动原语进行高效编码的方法，并区分了 5 个核心方面：系统模型、网络架构、训练算法、训练任务选择和硬件 / 软件实现，通过实验展示了这种方法的效果。
autonomous vehiclesneural networksmotion primitivestrajectory planningreinforcement learning
发现论文，激发创造
  • 深度运动学模型用于运动学合理车辆轨迹预测

    本文提出了一种基于深度学习的自动驾驶技术中交通行为预测方法，有效地解决了现有方法中可能出现的运动规律异常及预测轨迹子优问题，表现优于现有技术。

    Aug, 2019

  • 使用 GNN 和时间编码进行基于学习的动态环境运动规划

    本文介绍了一种基于 GNN 的方法，利用时间编码和模仿学习与数据聚合来学习嵌入和边缘优先策略，以显着加速在线规划。

    Oct, 2022

  • 基于物理嵌入的神经网络车辆模型及其在风险感知自动驾驶中的应用

    本文使用全可微分物理模型与深度学习相结合，提出了一种汽车非完整动力学建模方法，相比于普通神经网络模型，本方法有更好的广义泛化性能，使用其提取出的潜在特征，可以准确地描述车胎侧向力，同时，在两个自动驾驶任务中，基于该潜在特征的风险感知模型预测控制器能够在未知摩擦力下优于基准控制框架。

    Jul, 2022

  • 基于图形的轨迹预测的差分约束运动模型评估

    研究了在自动驾驶中，配合基于图神经网络的支持物理运动模型的数据驱动方法的表现，结果表明，相比于动力学模型，更简单的低阶积分器模型更具优势，并且更高阶的数值求解器可以显著提高预测准确性。

    Apr, 2023

  • 深度交互式动作预测与规划：通过动作预测模型进行游戏

    本研究提出一种多智能体策略网络和博弈论模型预测控制器相结合的方案，将自动驾驶车辆的预测和规划层紧密耦合，能够有效生成交互行为。

    Apr, 2022

  • VectorNet：从矢量化表示编码高清地图和代理动态

    本文介绍了一种新型的层级图神经网络 VectorNet，用于解决在自动驾驶汽车的动态多智能体系统中的行为预测问题，并通过在高精度建模的地图和智能体轨迹上的操作，使得该方法在两个行为预测基准测试中均达到优秀的性能。

    May, 2020

  • 神经动态运动基模 —— 综述

    该论文对神经动态运动原理进行文献综述，强调了深度学习对于动态运动原理的研究所带来的影响，并探讨了在机器人领域生产准确的轨迹和控制机器人动态参数的挑战。

    Aug, 2022

  • 基于运动学的轨迹生成与预测及隐变量随机微分建模

    整合动力学知识与神经随机微分方程，基于一种新颖的潜在动力学感知 (SDE) 变分自编码器（LK-SDE），用于生成车辆运动的方法，在生成和预测任务中表现出明显优于基准方法的性能，产生逼真、物理可行且精确可控的车辆轨迹。

    Sep, 2023

  • 一种端到端的汽车轨迹预测框架

    本文提出了一种新颖的端到端架构，该架构接受原始视频输入并输出未来车辆运动轨迹预测，以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置，然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模，从而达到了高精度的未来车辆轨迹预测，实验结果表明，该算法优于目前各种先进模型。

    Apr, 2023

  • 高速多车自主赛车的运动规划与控制

    本文提出了一种多层次的运动规划和控制架构，用于自主驾驶赛车，能够避开静态障碍物，执行主动超车，并达到超过 75 m /s 的速度。

    Jul, 2022