为了解决使用 DRL solver 的这两个主要问题,我们使用了循环神经网络,该神经网络具有连续空间中的一组初始条件,并且可以跨越整个初始条件空间进行推广,从而使得解决方案具有鲁棒性和高效性。
Jul, 2019
我们提出了一个基于自适应压力测试方法的新框架,用于系统地探索可能导致安全问题的角落案例,以提高自动驾驶汽车的安全性和可靠性。
Feb, 2024
通过融合多个替代模型并优化其组合系数以增强评估效率,我们开发了一种自适应测试环境,通过采用二次规划将优化问题表达为回归任务,并利用强化学习方法高效获取回归目标,实现了加速评估的效果验证。
本文针对包含机器学习组件的自动驾驶系统,提出了一个测试框架,利用测试用例生成和自动实现方法进行评估,并演示了如何使用覆盖数组等测试用例生成方法以及需求实现方法来自动识别问题情景,从而提高自动驾驶系统的可靠性。
Apr, 2018
应用数据驱动方法学习可用于指导 AST 中的故障搜索的分类器,该方法结合了重要状态,增加了一个自主驾驶策略中的安全违规案例。
Apr, 2023
开发了一种模拟框架,使用深度学习感知和控制算法来测试现代自动驾驶系统,通过自适应重要性采样方法来估计基于标准交通行为的意外概率,相对于蒙特卡洛抽样,可以提速 2-20 倍,并且比真实道路测试快 10-300 倍(P 为处理器数量)。
Oct, 2018
提出一种基于强化学习和动作基元的分层框架,可自主收集和重复使用知识来解决城市环境下自动驾驶面临的挑战和不确定性,通过 CARLA 模拟器的测试,其表现优于其他基线方法。
Jul, 2022
本文提出了一种简化的车辆微观模拟方法,并使用深度强化学习优化了具有不同车辆组成的六个交通系统的控制策略,发现了类似于波浪消减、交通信号和匝道计量等的多种新行为,并分析了这些行为以获得可解释的控制策略。
该论文介绍了一种基于博弈论的交通模型,该模型可以用于测试、比较和校准各种自主车辆决策和控制系统,并提供了一个交通仿真环境来优化自主车辆控制系统的参数。
Aug, 2016
利用模拟系统开发自动驾驶技术,以实现真实世界操作中的鲁棒性。
Oct, 2022