MMDec, 2020

基于行为分支和联邦强化学习的车联网协作感知

PDF
TL;DR本论文提出了一种基于强化学习、四叉树点云压缩机制的框架，可利用联邦强化学习方法加速车辆协同感知中的联合学习过程。进一步利用该框架优化车辆间的关联、资源分配和信息交换，从而实现车辆间可靠高效的协同感知。
发现论文，激发创造
  • 自主车辆的去中心化协作感知：学习尊重未知

    本文提出了一种去中心化的协作感知方法，基于 Deep Reinforcement Learning 算法，学习一种反向通讯策略，只请求未知信息，最终实现交通物品的最大化感知和最小化信息交流成本的平衡调整。

    Dec, 2022

  • 利用不完美通信的增强协同感知自动驾驶车辆

    通过合作感知技术提高自动驾驶车辆在不利环境下的视觉感知质量，采用最佳辅助车辆优化协同感知并提高目标检测准确性，特别关注行人检测，验证结果表明该方法在挑战场景中提高了协作感知性能和驾驶安全。

    Apr, 2024

  • 基于 3D 点云的联网自动驾驶车辆的合作感知

    借助 LiDAR 3D 点云技术，基于来自联网汽车不同位置和角度的传感器数据融合，提出一种基于点云的 3D 物体检测方法，拓展感知区域、提高检测准确性、促进增强结果，同时通过现有的车联网技术，可实现利用点云数据进行协同感知。

    May, 2019

  • 车辆间协作感知丢包通信下的学习

    本文研究了基于深度学习的车辆感知中 “合作感知” 环节中由于通信质量差而带来的性能损失，并提出了一种新颖的方法，利用 “LC-aware Repair Network” 和 “V2V Attention Module” 来增强车辆之间的互动，并在公共数据集 OPV2V 上进行了广泛实验，展示了在 “失真 V2V 通信” 环境下提高识别性能的有效性。

    Dec, 2022

  • 关于合作感知的联邦学习框架

    合作感知和联邦学习在未来交通系统中具有很大潜力，但数据异质性是一个重要挑战。本研究介绍了一种专门用于合作感知的联邦学习框架，名为 FedDWA 算法，并结合动态调节损失函数。实验证明该框架能够显著改善环境感知模型的准确性，提高交通部门的协同学习解决方案。

    Apr, 2024

  • 可学习通信的自动驾驶系统协同式三维物体检测

    本文提出一种新的协同三维物体检测框架，通过利用空间分布式传感器所提供的信息来辅助自动驾驶系统中的感知精度，同时避免因事先的通信方案导致通信拥堵和 / 或性能受限的问题。通过两个复杂的驾驶场景的实验结果和带宽使用分析，证明了该方法可以在各种检测困难情况下节省通信和计算成本，并显著提高检测性能。

    May, 2022

  • 基于共享信息的连接自主车辆安全高效行为规划

    本研究介绍了一种信息共享和安全多智能体强化学习框架，通过车辆间通信收集处理后的 LIDAR 和摄像头数据，在提高交通效率和安全方面取得优势，并在 CARLA 模拟器中得到验证。

    Feb, 2023

  • 用于自主驾驶的联邦迁移强化学习

    使用联邦学习的方法，将基于模拟器的强化学习模型实现动态的知识提取和共享，促进自动驾驶和机器人应用中的知识共享，进而在实时碰撞避免任务中实现更好的表现。

    Oct, 2019

  • 在线原始级别协作感知的 V2X 调度

    本文提出了一种基于在线学习的算法，将感知共享传感器的能量最小化作为多臂老虎机问题的一个变体来考虑，以实现基于裸眼级联感知的自动车辆协作，结果表明所提出的算法可以快速学习调度最优协作车辆并节约更多能源。

    Feb, 2022

  • 端到端自动驾驶合作感知的选择性通信

    本文提出了一种基于选择性通信算法的合作感知方法，用于提高当前自动驾驶系统在障碍物干扰场景下的可靠性。通过多智能体路径规划研究的启发，将感知网络与控制网络相结合，实现了对有关导航规划最为关键的感知信息的选择传输，在安全关键驾驶场景模拟中显示出了比随机选择方法更高的成功率，同时最小化了附加通信开销。

    May, 2023