自动驾驶的概率多项式物体轨迹规划

Mar, 2020

自动驾驶的概率多项式物体轨迹规划

PLOP: Probabilistic poLynomial Objects trajectory Planning for autonomous driving

Thibault Buhet, Emilie Wirbel, Andrei Bursuc, Xavier Perrotton

TL;DR本研究提出了一种基于条件性模仿学习算法和概率框架的自动驾驶决策方法，可用于导航、行人和其他路上的车辆预测，使用车载传感器信息生成多个实现路径，实现良好的性能和计算效率。

Abstract

To navigate safely in urban environments, an autonomous vehicle (ego vehicle) must understand and anticipate its surroundings, in particular the behavior and intents of other road users (neighbors). Most of the times, multiple decision choices are acceptable for all road users (e.g., turn right or left, or different ways of avoiding an obstacle), leading to

autonomous vehicles probabilistic framework decision-making navigation imitation learning

发现论文，激发创造

PiP：面向自动驾驶的规划感知轨迹预测

为了实现自动驾驶规划的社交合规和灵活性，我们提出了以规划为基础的轨迹预测（PiP）方法，通过利用自车的规划信息来指导预测过程，实现了在高速公路数据集上多智能体预测的最佳表现。此外，我们的方法通过将 PiP 与自车多个候选轨迹相结合，实现了预测和规划的新型流程，对于交互式场景中的自动驾驶非常有益。

Mar, 2020

自动驾驶的开创性 SE (2) 等变轨迹规划

我们提出了一种轻量级的等变规划模型，它在生成所有车辆的多模态联合预测并选择一个模态作为自主计划时，结合了运动预测和轨迹规划。通过嵌入车辆位置并在潜在空间中沿着高级路线指导自主车辆，我们的方法提供了具有目标导向行为的等变规划，同时在保持等变性的同时不强制汽车始终沿着确切的路线行驶。我们在具有挑战性的 nuScenes 数据集上进行实验，结果表明，我们规划的轨迹在输入场景的旋转平移下稳定，验证了我们模型的等变性。尽管只使用了数据集的一小部分进行训练，但我们的方法在 3 秒内改善了 20.6％的 L2 距离，并超过了最先进的方法。

Mar, 2024

QuAD: 基于查询的可解释自主驾驶神经运动规划

自动驾驶汽车通过统一的、可解释的、高效的自主性框架，在关键因素（如碰撞避免、舒适性和进展）方面评估候选路径，从而实现了优于高保真闭环模拟中最先进水平的高速公路驾驶质量。

Apr, 2024

具有社交感知的自动驾驶汽车的行为规划

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

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

面向分布感知的自主驾驶安全目标预测和符合模型规划

本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。

Dec, 2022

自主车辆的交互式运动规划与联合优化

MPC 与学习预测模型相结合的交互联合规划（IJP）在计算上可扩展的方式上提供了最佳结果。

Oct, 2023

基于策略预测网络和基于优化的上下文推理的在线车辆轨迹预测

本文提出了一个在线的两级汽车轨迹预测框架用于城市自动驾驶，其中有复杂的上下文因素，例如车道几何、道路建设、交通规则和移动代理人。我们将高层策略预测与低层背景推理相结合，并利用长短期记忆（LSTM）网络使用其序列历史观测来预测车辆的驾驶策略，并以此来指导低层基于优化的背景推理过程。最终输出的两级推理过程是一条连续的轨迹，能够自动适应不同的交通配置并准确地预测未来的车辆运动。

Mar, 2019

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

自主车辆的可解释和灵活的目标条件神经规划器

通过学习驾驶员示范，我们提出了一种可解释神经规划器，用于回归热力图，有效代表自主车辆在鸟瞰图中的多个潜在目标，以解决现实场景中存在的多个可接受计划问题，并通过使用负高斯核来加强热力图回归的监督学习，从而提高碰撞回避效果。我们在 Lyft 开放数据集上的系统评估表明，与之前的工作相比，我们的模型在多样的真实驾驶场景中实现了更安全和更灵活的驾驶性能。

Sep, 2023