DSDNet:深度结构自驾网络
本文提出了一种强大且高效的深度神经网络驾驶场景语义分割模型 DSNet,通过 ShuffleNet V2 和 ENet 的启发式设计,以及实现的 Driving Importance-weighted Loss 作为考虑驾驶决策的重要因素,等方面提高准确率和实时性。在 Cityscapes 数据集上的实验结果表明 DSNet 比 ENet 的准确率提高了 18.9%,速度提高了 1.1 倍,具有应用于自动驾驶的巨大潜力。
Dec, 2018
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
通过使用激光雷达传感器数据,我们提出了一种名为 MultiXNet 的自动驾驶汽车感知和预测方法,可处理多种交通行为,包括多模态概率分布和轨迹精细矫正等,结果表明它优于现有的最先进方法。
Jun, 2020
介绍了 SelfD,一个利用海量在线图片的可扩展驾驶学习框架,使用半监督训练来从未标记数据中学习后效代理。通过利用伪标记步骤进行数据增强,SelfD 表现出可靠的驾驶性能,无需额外的数据收集或注释工作。
Apr, 2022
论文提出了一种同时预测深度估计和语义分割输出的 CNN 模型,通过对单目输入图像进行实验,我们证明了该模型对于场景理解和深度估计能力达到了最新的研究水平。
Jul, 2019
本文提出了一种基于深度学习的自动驾驶技术中交通行为预测方法,有效地解决了现有方法中可能出现的运动规律异常及预测轨迹子优问题,表现优于现有技术。
Aug, 2019
通过深度结构模型的数据驱动反应式规划目标,允许自动驾驶车辆在制定自己的计划的同时,联合推理其他参与者的行为,能够更快地完成高度复杂的机动(道路合并 / 拐弯),而不会牺牲碰撞率,比非反应式情况更具优势
Jan, 2021
通过交互式干预训练(IIT)方法,本研究设计了一个端到端优化的多目标跟踪结构和训练协议来解释神经网络在 3D 检测,多目标跟踪和运动预测方面的决策,从而提供解释与可解释性。
Oct, 2022
本文提出了一种深度学习模型,通过端到端和多任务学习方法进行训练,同时执行感知和控制任务,用于自动驾驶车辆的点对点导航;在 CARLA 模拟器上进行评估,同时与其他已有模型进行比较和消融实验,实现了更高的驾驶分数。
Apr, 2022
本文应用正式的概率分析技术对一种通过感知深度神经网络(DNN)引导飞机滑行的实验自主系统进行了案例研究,通过使用代表性图像数据集计算 DNN 的混淆矩阵来替换摄像机和网络,构建紧凑的概率抽象,以解决感知 DNN、传感器和环境条件的复杂性所带来的挑战,并展示了如何利用本地、DNN 特定的分析作为运行时保护,以提高整个系统的安全性。
Feb, 2023