Oct, 2020

自动驾驶车辆的软件架构：LRM-B 团队参加第一届 CARLA 自动驾驶挑战赛

PDF
TL;DR本文介绍了在 CARLA 模拟器中，基于 CaRINA2 架构设计了一个自主车辆导航系统，能够有效避免交通违规，具备障碍物检测、交通标志检测、风险评估、决策制定和控制等多个关键组件，利用卷积神经网络等技术实现。该系统在首届 CARLA 自主驾驶挑战赛中成绩斐然，取得了 3 个赛道的胜利。
carlaautonomous drivingnavigationsimulationconvolutional neural networks
发现论文，激发创造
  • CARLA：一个开源城市驾驶模拟器

    CARLA 是一款用于自主驾驶研究的开源模拟器，支持模块化流程、模仿学习和强化学习，可用于研究不同驾驶方式在不同场景下的表现，提供数字建模和传感器套件等资源。

    Nov, 2017

  • 一个模块化自主驾驶架构的分析：CARLA Leaderboard 2.0 挑战中的顶级提交

    我们介绍了 Kyber-E2E 的架构，该架构在 CARLA Leaderboard 2.0 自主驾驶挑战 2023 的 map track 中获得了第一名。我们采用了模块化架构，包括感知、定位、认知、追踪 / 预测和规划 / 控制五个主要组件。我们的解决方案利用最先进的语言辅助认知模型，以在高挑战交通场景中提供更可靠的规划器性能。我们使用开源驾驶数据集结合逆强化学习 (IRL) 来提高我们的运动规划器性能。我们提供了关于我们设计选择和权衡的见解，以实现这个解决方案。我们还探讨了每个组件对我们解决方案整体性能的影响，以提供资源分配的最大影响指南。

    Mar, 2024

  • 安全导航：在 CARLA 中使用深度强化学习进行自主车辆训练

    自主驾驶汽车使用深度强化学习技术在不确定环境中进行决策，通过使用 CARLA 模拟器在真实城市环境中训练和测试自动驾驶模型，实现了准确的对象识别和距离估计以及有效的交通导航。

    Oct, 2023

  • 基于深度强化学习的 CARLA 模拟自动驾驶

    本论文基于强化学习（RL）与 Deep Q-Learning 框架以及 CARLA 仿真环境，探索了一种实现自动驾驶车辆在高速行驶时保持车道并避让其他车辆的策略，以提高交通安全性。

    Jun, 2023

  • ANTI-CARLA：一种用于 CARLA 自动驾驶车辆的对抗性测试框架

    提出一种基于 CARLA 模拟器的自动化测试框架 ANTI-CARLA，用于模拟令一般驾驶系统失灵的天气条件和传感器故障，该框架拥有高效的搜索机制，并成功地发现了一系列失败案例，该框架可用于任何给定驾驶管道的对抗性测试，作者在该框架下对 Learning By Cheating 方法训练的驾驶管道进行了测试。

    Jul, 2022

  • 自动驾驶汽车：一项调查

    本文主要介绍了自动驾驶汽车的自主系统架构，包括感知系统和决策系统，以及相关的感知和决策方法的研究，并介绍了巴西联邦大学开发的自动驾驶汽车 IARA 的自主系统架构，最后列举了一些知名的自动驾驶汽车研究平台。

    Jan, 2019

  • 深度强化学习对恶劣车库场景生成的研究

    自主车辆需要行驶超过 110 亿英里以确保其安全性。因此，在进行真实世界测试之前进行模拟测试的重要性是不言而喻的。近年来，以 Carla 和 CarSim 为代表的自主驾驶三维模拟器的发布，标志着自主驾驶模拟测试环境从简单的 2D 俯视图过渡到复杂的三维模型。本论文提出了一个基于深度强化学习的自动生成程序的框架，该框架可以生成不同的二维地面脚本代码，用于构建三维模型文件和地图模型文件。生成的三维地面场景在 Carla 模拟器中显示，实验者可以使用该场景进行导航算法模拟测试。

    Jul, 2024

  • CarLLaVA: 基于视觉和语言模型的无需传感器驱动闭环驾驶

    CarLLaVA 是一种用于自主驾驶的视觉语言模型，通过 LLaMA 架构和 LLaVA VLM 的视觉编码器实现闭环驾驶性能的最新进展，无需复杂或昂贵的标签，并通过行驶输出展示了预测语言评论的初步结果。

    Jun, 2024

  • 基于神经机器人平台的自主驾驶模拟器

    通过使用神经机器人平台及其 “引擎” 和 “转发器函数” 概念，本研究分析了开发新型模拟器实现真正真实世界仿真目标的潜力和可能性，并基于 NRP-Core 平台构建了一个自动驾驶系统，包括目标检测和自主控制。

    Dec, 2022

  • 建立自主式 FSAE 赛车的探索和经验教训（基于模拟）

    该研究描述了在模拟环境中开发自动驾驶算法并将其部署到真实汽车上的过程中所涉及的挑战，着重研究了使用单个摄像头作为输入推断汽车方向盘角度的深度神经网络的训练、验证和部署等方面，以及如何通过模拟来加强软件的稳定性和性能。

    May, 2019