基于深度学习的自主驾驶汽车行为预测综述
本文综述了自动驾驶车辆 (AD) 的轨迹预测方法,重点讨论了基于机器学习的方法,包括深度学习和强化学习。该文还研究了常用的数据集和评估指标,并比较了两个主要的学习流程。通过确定现有文献中存在的挑战和潜在研究方向,本综述在 AD 轨迹预测方面做出了重要贡献。
Jul, 2023
这篇论文调查了应用深度学习方法控制汽车的研究进展和存在的挑战,研究重点在于车辆控制而非感知问题,涵盖计算、架构、目标、泛化、验证和安全方面的探讨,为智能交通系统相关的领域提供及时有效的信息。
Dec, 2019
本文提出了一种基于预测的深度强化学习决策模型,考虑了周围车辆的操作意图,并使用真实交通数据进行训练。经过模拟测试,结果表明和基于深度强化学习的模型相比,该模型在复杂的高速公路驾驶场景中提高了决策性能,从而减少了碰撞数量,实现了更安全的驾驶。
Sep, 2022
本文旨在调查深度学习技术在自驾车领域中的最新进展及其强项与局限性,涵盖了基于人工智能的自动驾驶架构、卷积和循环神经网络、深度强化学习范式等内容,以及感知、路径规划、行为仲裁和运动控制算法。同时,重点探讨了当今在设计自动驾驶人工智能架构中所面临的挑战,如安全性、训练数据源和计算硬件等。
Oct, 2019
自动驾驶有潜力彻底改变个人、公共和货物运输的机动性。通过准确感知环境并利用可获得的传感器数据,自动驾驶需要规划一条安全、舒适和高效的运动轨迹。为了提高安全性和前进步伐,许多研究依赖于预测周围交通的未来运动。模块化的自动驾驶系统通常将预测和规划作为顺序独立的任务处理。然而,这种方法虽然考虑到了周围交通对自车的影响,却未能预测交通参与者对自车行为的反应。最近的研究表明,将预测和规划整合为相互依赖的联合步骤是实现安全、高效和舒适驾驶的必要条件。本研究系统回顾了基于深度学习的预测、规划和集成预测规划模型的最新进展。考虑到模型架构、设计和行为方面,综合了集成的不同方面,并将它们相互关联。此外,我们讨论了不同集成方法的意义、优势和限制。通过指出研究中的空白、描述相关的未来挑战以及突出研究领域的趋势,我们确定了未来研究的有希望的方向。
Aug, 2023
本文研究了一种在自主驾驶和辅助驾驶中用于碰撞风险评估的预测方法,利用深度预测模型从传统视频流中预测即将到来的事故,并在决策制定过程中引入了时间信息、多模态信息以及任务固有的不确定性。通过使用基于贝叶斯卷积 LSTM 的深度预测模型,实验表明当多个摄像头作为输入源时,该方法能够较为准确地预测即将发生的事故。
Nov, 2017
该研究探索了深度学习在自动驾驶计算机视觉技术中的应用及其对系统性能的改进影响。研究结果表明,深度学习技术可以显著提高自动驾驶系统的准确性和实时响应能力。尽管在环境感知和决策支持方面仍存在挑战,但随着技术的进步,预计未来能实现更广泛的应用和更大的潜力。
Jun, 2024
自动驾驶系统面临着交通行为不确定性高等问题,本文提出了基于深度卷积神经网络的多轨迹交通演算方法,能够精确地预测交通行为并评估它们的概率,此方法也已成功应用于自动驾驶车辆中。
Sep, 2018