ECCVAug, 2020

通过模拟感知和预测来测试自动驾驶汽车的安全性

PDF
TL;DR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。
self-driving vehiclessimulationperception and prediction systemmotion planning testingground truth labels
发现论文，激发创造
  • 感知模仿：面向自主车辆无合成器仿真器的发展

    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

  • 测试预测自动驾驶系统：经验教训和未来建议

    该论文分析了自动化驾驶功能中预测系统的主要限制，探讨了未来物理测试程序中需要考虑的实际行动和建议。

    Apr, 2022

  • 基于仿真的带机器学习组件的自动驾驶车辆对抗测试生成

    本文针对包含机器学习组件的自动驾驶系统，提出了一个测试框架，利用测试用例生成和自动实现方法进行评估，并演示了如何使用覆盖数组等测试用例生成方法以及需求实现方法来自动识别问题情景，从而提高自动驾驶系统的可靠性。

    Apr, 2018

  • SimNet：从真实观测中学习反应式自动驾驶模拟

    本文提出了一种利用深度神经网络建模驾驶安全体验的简单的端到端可训练式机器学习系统，可以用于验证自动驾驶系统的性能，而无需进行昂贵且耗时的道路测试。

    May, 2021

  • 自主驾驶汽车的正式场景测试：从仿真到现实世界

    本文提出了一种基于形式化方法的智能汽车自动场景测试的新方法，结合仿真和实际测试，并通过实验验证形式化仿真可以有效识别可在跑道上运行的测试用例，仿真和真实世界之间的差距可以得到系统评估和弥合。

    Mar, 2020

  • 基于仿真的强化学习在自主驾驶中的应用

    采用强化学习和模拟技术开发驾驶系统，使用合成数据进行训练并验证了其在真实道路环境中的稳健性与有效性。

    Nov, 2019

  • 自动驾驶中使用实时感觉输入进行动作预测的挑战

    研究挑战：将运动预测模型应用于由感知模块提供输入的更加真实场景，并通过综合评估量化领域差距的影响，并设计合成扰动以更好地表征其后果，从而提供有关上游感知模块中需要改进的领域的见解和指导。

    Jun, 2023

  • 自主驾驶中基于运动的无监督感知与预测

    本文提出一种使用自学生成流技术的框架，自动学习行驶中的自由运动的物体，以替代在自主驾驶系统中昂贵的人工标注，实现更广泛、准确、自主的交通参与者识别和动作预测。

    Oct, 2022

  • 从模拟中学习驾驶技能，无需真实世界标签

    该论文研究基于模拟的无人驾驶视觉导航系统，探讨了如何通过图像转换实现域间转换并在农村和城市道路上对自闭车的驾驶性能进行评估。

    Dec, 2018

  • 自主驾驶车辆中感知误差的模拟

    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