AAAINov, 2018

利用异构辅助网络特征模仿学习驾驶

PDF
TL;DR本文利用异构辅助网络特征模仿的新型有效训练方法，通过从更丰富的上下文中学习，提高了预测的准确性和鲁棒性，并在 Udacity 和 Comma.ai 上实现了 12.8% 和 52.1% 的超越，同时在 Berkeley Deep Drive (BDD) 数据集上也取得了鼓舞人心的结果。
end-to-end steering angle prediction modelsheterogeneous auxiliary networks feature mimickingmulti-layer knowledge distillationimage segmentationoptical flow estimation
发现论文，激发创造
  • 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

  • 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

  • 封建式转向：针对转向角预测的层次学习

    本论文提供了一种基于封建网络和分层强化学习的车辆代理预测从车辆驾驶数据集中的第一视角实时图像进行自动驾驶方向盘角度预测的新方法，演示了在 Udacity 数据集上最先进的预测结果。

    Jun, 2020

  • 隐式微分辅助学习

    本文提出了一种基于隐式微分的新框架 AuxiLearn，针对多任务学习中设计有用的辅助任务和将辅助任务组合成一个连贯的损失函数的挑战，当已知有用的辅助任务时，可以学习一个网络将所有损失合并成一个连贯的目标函数，并且能够学习任务之间的非线性交互；当不知道有用的辅助任务时，可以学习一个生成有意义的新辅助任务的网络。在图像分割和低数据情况下学习属性等多个任务和领域中，AuxiLearn 均表现出比竞争方法更为出色的性能。

    Jun, 2020

  • 基于置信度的联邦蒸馏技术应用于基于视觉的车道居中

    本文提出了一种基于置信度的联邦蒸馏方法，使用熵确定每个本地模型的预测置信度，选择最有信心的本地模型作为教师，以引导全局模型的学习，从而提高自动驾驶中基于视觉的车道中心控制的性能，优于现有的联邦学习算法 FedAvg 和 FedDF。

    Jun, 2023

  • SAM: 条件视觉行驶策略学习的压缩和模仿网络

    本文利用策略学习方法，在语义学和物体可支配的副任务中，通过可训练的学习表征将视觉输入映射到基于转向命令的驾驶控制，通过压缩网络进行训练，使得读出网络能够使用副任务的注释来控制驾驶，进而使用一种名为 “mimic” 的方法通过图像的输入直接驾驶，测试在 CARLA 模拟器中取得较好的效果。

    Dec, 2019

  • 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

  • 基于语义引导的基于 Transformer 的传感器融合用于改进航点预测

    传感器融合在智能自驾代理中是关键，本文通过融合辅助任务和利用模仿学习来改进基础网络以提高道路导航的安全性和完整性。

    Aug, 2023

  • 使用引导式辅助监督学习端到端自主驾驶

    通过提出的多任务学习框架，其中使用监督辅助任务预测来指导预测驾驶命令的主要任务，实现了灵敏度和表现性能的提高，同时还增加了模型的透明度。通过在 CARLA 模拟器中的实验验证了该框架的效果。

    Aug, 2018

  • 基于分支角度网络的端到端驾驶模拟

    以新的导航指令和角分支网络为基础，结合分割和深度信息提高自动驾驶性能。

    May, 2018