Dec, 2018
从模拟中学习驾驶技能,无需真实世界标签
Learning to Drive from Simulation without Real World Labels
Alex Bewley, Jessica Rigley, Yuxuan Liu, Jeffrey Hawke, Richard Shen...
TL;DR该论文研究基于模拟的无人驾驶视觉导航系统,探讨了如何通过图像转换实现域间转换并在农村和城市道路上对自闭车的驾驶性能进行评估。
Abstract
simulation can be a powerful tool for understanding machine learning systems
and designing methods to solve real-world problems. Training and evaluating
methods purely in →
发现论文,激发创造
泛化自驾车策略的模仿学习及模拟转现实
本文研究应用 Imitation Learning 和 transfer learning 方法解决 Duckietown 场景下的机器人车道跟踪问题,并通过 sim-to-real 方法进行实际环境迁移,最终比较了三种 Imitation Learning 方法和两种 sim-to-real 方法的优缺点。
Jun, 2022
通过模块化和抽象实现驾驶策略转移
该论文提出了一种通过模块化和抽象化来从仿真环境中转移自动驾驶车辆策略到现实世界的方法,该方法旨在将模块化架构和端到端的深度学习方法的优点相结合,从而解决自动驾驶车辆训练中的传递性问题,并在仿真城市环境和现实世界中进行了评估。
Apr, 2018
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
基于 Sim-to-Seg 的 Sim-to-Real 方法:无需真实数据的全封闭自主驾驶
通过使用强化学习技术以端到端的方式处理自主驾驶所需的 3D 场景理解、定位、映射和控制,并利用模拟数据中的 Sim2Seg 技术在模拟器和现实世界之间跨越视觉现实差距进行训练和实验,同时与传统感知和控制技术相比提供同等的性能。
Oct, 2022
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
SimNet:从真实观测中学习反应式自动驾驶模拟
本文提出了一种利用深度神经网络建模驾驶安全体验的简单的端到端可训练式机器学习系统,可以用于验证自动驾驶系统的性能,而无需进行昂贵且耗时的道路测试。
May, 2021