Dec, 2018

ChauffeurNet：学习最好的驾驶方式，合成最差的驾驶方式

PDF
TL;DR本研究旨在通过模仿学习训练一个自动驾驶策略，以使其足够强大以驾驶真实汽车。为了应对复杂的驾驶场景，我们建议在专家的驾驶基础上引入扰动来合成数据，并使用额外的损失函数强化模型。实验证明这种模型能够在模拟环境中适应复杂的驾驶场景，并能够在真实环境下驾驶汽车。
autonomous drivingimitation learningperturbationschauffeurnet modelrobustness
发现论文，激发创造
  • 基于条件模仿学习的端到端驾驶

    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

  • 用生成对抗网络模仿驾驶员行为

    采用生成式对抗模仿学习模型训练递归策略，提高了人类驾驶行为仿真在智能交通系统应用中的准确性，具有较高的实用性。

    Jan, 2017

  • 条件模仿学习和指令增强实现更安全的端到端自动驾驶

    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

  • 使用端到端深度模仿学习的敏捷自主驾驶

    我们提出了一种使用低成本传感器进行敏捷越野自主驾驶的端到端模仿学习系统，通过模仿配备高级传感器的模型预测控制器，我们训练了一个深度神经网络控制策略，将原始的高维观测映射到连续的转向和油门命令，这个方法不需要状态估计或实时规划来导航车辆，并通过在线模仿学习克服了协变量漂移方面的挑战，实现了成功的高速越野行驶，匹配了最新的性能水平。

    Sep, 2017

  • 模仿专家学习节能驾驶行为

    本研究探讨了在高密度交通条件下，通过应用模仿学习算法，对未来自动驾驶车辆实现控制策略和现实限制的协调，以提高网络能效，结果显示该算法能通过仅使用本地观测数据，提高交通网络能效达 15%。

    Jun, 2022

  • 驾驶员行为模仿的同时策略学习和潜在状态推断

    本研究提出了一种基于学习驾驶员模型的方法，该模型能够考虑不能直接观测到的变量，并学习区分四类不同驾驶员行为的编码。通过该方法，得到的驾驶策略在模拟真实驾驶行为方面比基准方法更为有效，并且策略选择的行为明显受到所提供的潜变量设置的影响。

    Apr, 2017

  • 基于条件仿真学习的城市驾驶控制

    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

  • 探究自动驾驶行为克隆的局限性

    本文介绍一种新的基准测试，以探究行为克隆的可扩展性和限制性，结果表明，行为克隆在复杂的驾驶情况下拥有先进的成果，但是仍存在数据集偏差和过度拟合的问题，缺乏因果模型和培训不稳定性导致进一步的研究需要进行。

    Apr, 2019

  • 学习驾驶模拟器

    通过使用变分自编码器和条件递归神经网络，本文研究了一种新的自动驾驶汽车仿真方法，通过学习驾驶员行为的克隆，并通过模拟道路中未来的事件来规划车辆行驶路线， 在不涉及像素空间成本函数的情况下优化转换模型，并且我们的方式可以在几帧内持续预测逼真的视频。

    Aug, 2016

  • 从所有车辆中学习

    本文提出了一种通过其他车辆的行为来训练自动驾驶策略的系统，使用监督任务来学习不受视角限制的中间表示，进而预测其他车辆的行为以避免碰撞，并在 CARLA Leaderboard 上取得了出色的成绩。

    Mar, 2022