Mar, 2020

使用引导分支的高效自动驾驶不确定性感知决策

PDF
TL;DR该研究提出了一种高效的不确定性感知决策框架（EUDM），利用专家知识指导行动和愿望空间的分支，以控制计算复杂度，实时生成复杂驾驶环境下的长期横向和纵向行为，同时还提供代码以适应基准测试。
automated vehiclesdecision-makinguncertaintydriving environmentssimulation
发现论文，激发创造
  • 基于学习预测的自主驾驶交互合并决策

    本篇论文提出了一种自动驾驶的决策方法，采用了 POMDP 和 Monte Carlo tree search 等方法对车辆在道路上的交互进行建模和规划，实现了高质量的行驶决策。

    Mar, 2023

  • 带拓展空间 POMDP 规划的人群意图感知导航

    本文提出了一种混合在线部分可观察马尔可夫决策过程规划系统，针对多模态不确定性对自主导航的影响。通过使用多查询运动规划和在线 POMDP 求解器，我们实现了更加灵活和高效的实时方法，从而更好地解决了密集人群和障碍物之间的自主导航问题，并获得了更高的安全性和效率。

    Jun, 2022

  • 强健的马尔可夫决策流程即时学习

    本文介绍了一种鲁棒的任意学习方法，该方法结合了贝叶斯推断模型和计算稳健策略的方法，以不确定性马尔科夫决策过程（uMDPs）为基础，并通过实验验证了该方法的有效性。

    May, 2022

  • 一种自主决策系统的分层控制框架：HMDP 和 MPC 的整合

    本文提出了一种全面的分层控制框架，用于机器人和自主系统中的自主决策。通过综合建模、设计问题的制定、控制设计和稳定性分析，提出了这种具有挑战性问题的综合设计过程和框架，并处理了连续系统动力学和离散马尔科夫决策过程在高层决策中的复杂相互作用。通过使用模型预测控制概念，提出了一个决策者设计方案，通过精心设计参与方案的关键要素，证明了所提出的自主决策方案的递归可行性和稳定性的保证，并将该框架应用于智能车辆的自主换道系统的开发。

    Jan, 2024

  • 在共享空间中的自动驾驶车辆群体导航用于不确定性感知的深度强化学习

    在人行道密集的环境中，安全、符合社会要求且高效的低速自主车辆的导航需要考虑行人的未来位置以及与车辆和其他人的互动。本研究提出了一种集成预测和规划方法，该方法在模型无关的深度强化学习算法的训练中考虑了预测的行人状态的不确定性。通过引入一种新的奖励函数，该方法促使自主车辆尊重行人的私人空间，在接近行人时减速，并最小化与其预测路径的碰撞概率。结果显示，与不考虑预测不确定性的最先进的模型相比，本方法降低了 40% 的碰撞率，并增加了 15% 的与行人的最小距离。此外，该方法在性能和计算时间方面超过了采用相同预测不确定性的模型预测控制方法，并产生了更接近于人类驾驶员在类似场景中的轨迹。

    May, 2024

  • 针对自主驾驶的多模态感知参数化决策

    自动驾驶是一项新兴技术，本论文提出了一种基于深度强化学习的参数化决策框架，AUTO，在感知多模态状态特征基础上设计了图形模型来学习多模态语义特征的状态表示，并通过混合奖励函数考虑安全、交通效率、乘客舒适度等因素，以生成最佳行动。通过广泛实验，证明了 AUTO 在宏观和微观效果上领先于现有技术。

    Dec, 2023

  • 复杂动态环境下的多模态传感器融合概率端到端车辆导航

    本文提出了一种利用深度学习的基于模仿学习的概率驾驶模型，可以综合利用摄像机，激光雷达和雷达的信息来应对各种环境条件和动态障碍物，具有优异的泛化性能。

    May, 2020

  • 安全关键感知中处理数据驱动模型运行时不确定性的架构模式

    数据驱动模型在自主系统中扮演着重要的角色，但存在不确定性的挑战。本文提出并评估了四种处理不确定性的架构模式，并考虑了不同情境下的风险，以提高性能。

    Jun, 2022

  • 自主高速公路驾驶的预测决策

    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

  • 城市环境中基于交互感知的行为概率预测

    本研究提出了基于动态贝叶斯网络的概率性交通预测模型，结合马尔科夫模型和上下文感知的车辆运动模型，可以更精准地预测未来的交通路径和解决交互问题。相较于基于物理学和地图的方法，该模型表现更加优越。

    Apr, 2018