自主车辆稳健决策中感知误差建模
本文提出了感知误差模型(PEM),并针对 Apollo 和 nuScences 两个开源驾驶软件进行了参数建模和评估。通过在 SVL 等开源车辆模拟器中实现 PEM,我们通过评估相机、光达和相机 - 光达设置,展示了基于 PEM 的虚拟测试的实用性,并发现其中的局限性。
Feb, 2023
本研究提出了一种基于社会感知方案的自主驾驶决策模块,在该模块中,利用所有可用信息并恰当地处理不确定性问题,将社会感知的更新信念明确地纳入了基于 MPC 的概率规划框架中,以此实现了防御但不过于保守且社会兼容的驾驶策略。
May, 2019
该文提出了一个自我评估的能力 —— 内省,并基于此提出了一个模型,通过输入的感应器数据可可靠地预测给定任务下系统的失败。该模型在室外自然环境下的视觉自主微型飞行器飞行中表现出效果显著。
Jul, 2016
本研究提出了一种基于期望效用最大化的规范框架以及一个新型分析噪声影响的通用度量方法,通过内积几何学的方法分析了世界状态估计噪声对规划的影响。
Jun, 2023
自动驾驶(AD)系统通常以模块化方式构建和测试,其中使用特定任务的度量标准来衡量不同模块的性能。我们展示了可以构建得分在各种感知质量度量方面非常高,但仍导致规划失败的规划输入,称之为对抗感知错误,并通过使用简单的边界攻击算法在 CARLA 模拟器中找到了针对两个不同黑盒规划器的攻击,适用于几种城市和高速公路驾驶场景。最后,我们分析了这些攻击的特性,表明它们在规划器的输入空间中是孤立的,并讨论了它们对自动驾驶系统部署和测试的影响。
Nov, 2023
本文提出了一种基于风险分析的方法来设计自主系统感知模块,从而最小化感知误差对系统安全性的影响,并在真实的基于视觉的飞机避碰应用中证明,此方法可以将风险降低 37% 以上。
May, 2022
本论文提出了一种新方法,通过模拟自动驾驶汽车感知和预测系统的输出,以可靠地进行运动规划测试,从而取代传统的昂贵且具有较大领域差距的传感器模拟。我们使用真实感知和预测输出与标签数据进行训练,从而预测在线系统的输出。此外,我们的方法以高清地图、边界框和轨迹为输入,可由测试工程师轻松手绘几分钟,这大大提高了可扩展性。通过两个大型数据集的定量实验结果表明,我们可以实现通过模拟来进行现实测试的全面方法。
Aug, 2020
该研究提出了一种综合评估方法,旨在评估道路边缘感知系统的性能,通过采用实际场景测试,对不同系统的性能进行了深入比较分析,为标准化评估方法的发展提供了关键见解,并增强了自动驾驶车辆的道路感知系统开发和部署的效果。
Jan, 2024
本文提出了一种名为 “平滑强盗” 的新方法,利用黑盒模拟器的优势,有效确定满足安全要求的感知系统的性能特征,以视觉为基础的飞机避撞问题的实验证明了该方法的精确性和效率优于高斯过程和阈值强盗基线。
Jul, 2023
本文提出了一种感知模仿方法以模拟某个感知模型的结果,探讨了一条新的启发式自动驾驶模拟器路线,无需进行数据合成,而是直接模拟感知结果,更经济高效。通过匹配度量和下游任务的性能等一系列评估方法来检验仿真质量。实验表明,本方法有效地模拟了基于学习的感知模型的行为,并可以顺利地应用于所提出的仿真路线中。
Apr, 2023