Aug, 2018

利用单鱼眼摄像头进行车辆横向端到端控制

PDF
TL;DR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。
convolutional neural networksautonomous carslong range camerasfisheye cameraend-to-end control
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

  • 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

    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。

    Jan, 2018

  • 通过前向摄像头进行端到端车辆纵向控制的模仿学习

    本文介绍了一种基于神经网络和长短时记忆的端到端的仿真学习系统，以控制车辆速度，并通过数据和标签增强来实现在纵向控制场景下的鲁棒性和泛化能力，该系统只基于前置摄像头图像，在模拟环境和真实道路测试中展现了良好的控制效果。

    Dec, 2018

  • 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

  • OmniDet：基于全景摄像头的自动驾驶多任务视觉感知网络

    本文提出在未经校正的鱼眼图像上运行的多任务视觉感知网络来加强自动汽车系统的六个主要任务，其中包括深度估计，视觉测距，语义分割，动态分割，目标检测以及镜头污染检测，通过联合训练模型，在 KITTI 数据集上实现深度估计和姿态估计任务的最新结果。

    Feb, 2021

  • 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

  • 使用多摄像头系统的自动驾驶汽车的三维视觉感知：校准，映射，定位和障碍物检测

    本文讨论了多鱼眼相机系统的标定和处理流程，方法可用于自动泊车等应用场景。该流程可以精确标定多相机系统，构建稀疏的三维地图用于视觉导航、车辆定位，并基于实时深度图提取进行精确的物体检测。

    Aug, 2017

  • FisheyeMODNet: 自动驾驶周视摄像头上的移动物体检测

    本研究提出一种卷积神经网络模型，用于使用自主驾驶环境中捕获的鱼眼图像进行运动物体检测，并设计了一个轻量级编码器来实现嵌入式部署。

    Aug, 2019

  • 从驾驶模拟器图像中实现视角不变车速检测

    使用多个摄像头和数据驱动的深度学习方法，能够更准确地测量车辆的速度，相比于基于单一摄像头的方法，该方案是更具前途的。

    Jun, 2022

  • 基于全卷积神经网络的 LIDAR 行驶路径生成

    本研究使用全卷积神经网络，在 LIDAR 点云、GPS-IMU 信息和 Google 驾驶方向的帮助下生成驾驶路径，并通过测试获得了良好的性能，标志着该系统有望填补底层场景解析和行为反射方法之间的差距。

    Mar, 2017