在视觉遮挡下的感知和规划对于安全关键任务至关重要,本论文设计了一种端到端网络,通过相对位姿估计在有遮挡的情况下合作估计遮挡行人的当前状态,并具有安全保证的轨迹预测,实验证明在遮挡下,由本体代理进行的遮挡行人不确定性感知轨迹预测与没有遮挡的真实轨迹几乎相似,该研究为多个连接代理在遮挡下进行不确定性感知导航提供了希望。
Dec, 2023
本论文提出一种新的分析方法,通过零和动态博弈模型解决自动驾驶车辆在遮挡视野的情况下和其他参与交通的实体交互的安全问题,并在开放源码 CARLA 模拟器上表明该框架在城市和高速公路驾驶场景下的有效性。
May, 2021
本文提出了一种快速、稳健的运动规划框架,通过几种特征实现了在城市条件下实现自动驾驶,其中包括了路径规划和基于 A * 算法的最优轨迹计算,并考虑了各种不同的约束条件和时间跨度进行了验证。
Mar, 2018
本文提出了一种考虑机器人状态和环境不确定性的安全运动规划方法,旨在解决机器人定位中地标不确定性的问题,并给出了在高斯分布机器人运动、感知和障碍位置不确定性下的碰撞概率的精确表达式。
May, 2023
本研究提出了一种基于社会感知方案的自主驾驶决策模块,在该模块中,利用所有可用信息并恰当地处理不确定性问题,将社会感知的更新信念明确地纳入了基于 MPC 的概率规划框架中,以此实现了防御但不过于保守且社会兼容的驾驶策略。
May, 2019
本文提出了一种利用深度学习的基于模仿学习的概率驾驶模型,可以综合利用摄像机,激光雷达和雷达的信息来应对各种环境条件和动态障碍物,具有优异的泛化性能。
May, 2020
该研究介绍了一种最小化控制和感知不确定性以确保安全可靠的自主车辆导航的框架,由两个不确定性感知模型组成:基于机器学习的车辆动力学模型和自我监督遍历估计模型。
Jun, 2023
本文提出了一种概率框架,能够在任何驾驶场景下联合预测多个交通参与者的连续运动,并能够预测每个交互的持续时间,以提高预测性能和效率。该框架包含两个层次模块:上层模块预测预测车辆的意图,下层模块预测与其交互的场景中其他实体的运动,为自主车辆的决策制定和运动规划提供支持。
Oct, 2018
本文介绍了一种基于多传感器的变分神经网络方法,用于预测驾驶员车辆的未来轨迹分布。该方法能够处理不确定的情况,并且可以与物理学预测器相结合,提高整个系统的性能。经实验证明,我们的方法可将物理学模型的预测误差提高 25%,同时以 82%的准确度成功识别不确定情况。
Jan, 2019
我们提出了一种基于深度学习的方法来预测自动驾驶车辆周围交通参与者的未来状态,并考虑和捕捉预测任务的固有不确定性,该方法包括当前世界状态和每个参与者的栅格图像作为输入,实验结果表明该方法具有显著优势,并在实际自动驾驶车辆上成功测试。
Aug, 2018