本文提出了一种使用关注机制模型中的注意力信息来度量每个代理对自我车辆未来计划轨迹的重要性的方法,并在 nuPlans 数据集上进行的实验证明了这种方法可以有效地找到并排名周围代理的影响。
Apr, 2022
本文介绍了自动驾驶汽车的重要性过滤问题,并提出使用风险模型来过滤不重要的代理的解决方案。通过大规模实验证明,使用新型轨迹距离算法可以平衡系统性能,鲁棒性和效率。同时,本研究还提出了一种多重滤波器结构,采用多个过滤步骤,并为每个步骤推荐风险模型,以进一步提高系统鲁棒性。
Mar, 2023
本研究提出一种多智能体策略网络和博弈论模型预测控制器相结合的方案,将自动驾驶车辆的预测和规划层紧密耦合,能够有效生成交互行为。
本文介绍了一种改进版的优先规划算法及其分散式异步版本,这两种算法可以通过外部环境传感器以及在遇到优先级冲突时进行重新规划的方法实现无碰撞的多机器人路径规划,试验证明与经典的优先规划算法相比,在多种情况下能够更快速地找到机器人阵列的联合路径。
Sep, 2014
通过深度结构模型的数据驱动反应式规划目标,允许自动驾驶车辆在制定自己的计划的同时,联合推理其他参与者的行为,能够更快地完成高度复杂的机动(道路合并 / 拐弯),而不会牺牲碰撞率,比非反应式情况更具优势
Jan, 2021
本文将使用基于 Efficient Attention 的模型,从 Argoverse 1.0 基准测试中的最小地图信息中提取过去的轨迹和地图特征,以实现关于自动驾驶的运动预测。
May, 2022
本研究提出了一种基于激光雷达和历史位置数据的多智能体未来交互预测模型,包括标准预测和条件预测,并针对自动驾驶车辆的目标进行了评估。实验结果表明,该模型在多智能体驾驶情景中比现有技术更准确。
May, 2019
本文提出了一种用于自动驾驶的新型博弈理论轨迹规划算法,通过将动态游戏分解为漫长的 “战略” 游戏和短期的 “战术” 游戏,在保证实时性的同时,能够量化自动车辆和人类司机影响彼此的能力和激励,实现更加丰富、安全和有效的自主驾驶行为,并且不依赖于完美理性预测,而是适用于非确定性人类决策的模型。
Oct, 2018
模型预测控制基于 BehaviorNet 的 AdaptiveDriver 在 nuPlan 闭环规划基准中取得了最先进的结果,将测试误差从 6.4%降低到 4.6%,即使应用于以前未见的城市。
Jun, 2024
使用深层强化学习训练神经网络来实现自动驾驶规划栈中的控制系统,不仅使模拟环境中的自动驾驶汽车能够在没有障碍物的情况下平稳、安全地行驶,在真实世界城市中也能表现出良好的泛化能力。
Jul, 2022