Dec, 2020

自主电动汽车极限行驶的实时适应速度优化

PDF
TL;DR这篇论文介绍了一种优化的速度规划器，可以将赛车能源策略转移到路面，可以在车辆的 ECU 上实时处理性能和紧急情况下的速度配置任务。
self-driving carsautonomous racing seriesvelocity plannerenergy strategyelectronic control unit
发现论文，激发创造
  • 高速多车自主赛车的运动规划与控制

    本文提出了一种多层次的运动规划和控制架构，用于自主驾驶赛车，能够避开静态障碍物，执行主动超车，并达到超过 75 m /s 的速度。

    Jul, 2022

  • 基于强化学习的自动驾驶安全、高效、舒适速度控制

    该论文基于深度强化学习提出了一种用于汽车跟随速度控制的模型，通过对车辆速度的控制以最大化累积奖励，实现安全、高效和舒适的车跟随行为，并与实际数据进行了对比，结果表明强化学习方法在无人驾驶系统开发方面具有潜在的贡献。

    Jan, 2019

  • 使用高斯过程进行自动赛车车辆动力学建模

    本研究针对 F1TENTH 竞赛平台，构建了动态和扩展运动模型，并进行了 400 多项实验以研究核选择、样本量、赛道布局、比赛路线和速度曲线对学习到的 GP 回归模型的准确性和泛化能力的影响。

    Jun, 2023

  • 基于神经网络的车联网和自动驾驶车辆的生态驾驶控制

    通过使用神经网络实现的层次化多时域优化框架，本文提出了一种在行驶过程中通过车辆间信息来优化车辆速度和动力系统，以最小化能量消耗的方法。通过在真实行驶路线上进行模拟，证明了该方法可以实现与基于强化学习的随机优化解决方案相当的性能，并且不需要复杂的训练范式和较少的内存开销。

    Oct, 2023

  • 将高阶动力学和道路响应整合到有约束的基于 ILQR 的自主车辆轨迹规划中

    这篇论文研究了自动乘客车辆的在路轨迹规划，包括采样方法和优化算法，特别关注车辆的安全和舒适性以及车道边界的遵循。

    Sep, 2023

  • FormulaZero：通过离线人口合成实现分布式鲁棒在线适应

    本文针对多智能体环境下自主驾驶车辆行驶安全和效率平衡问题，提出了以自我博弈为基础的对抗生成网络和分布式鲁棒型优化方法，实验结果显示我们的方法能够在自主驾驶赛车中取得较好的性能和鲁棒性。

    Mar, 2020

  • 朝向最优头对头自主赛车的课程加强学习

    头对头自主赛车的最优策略研究中，我们提出了一个基于课程学习的框架来逐步过渡到更复杂的真实环境，以教授强化学习代理一个更接近最优策略的方法，并提出了基于控制屏障函数的安全强化学习算法，既能有效保证代理的安全性又不会牺牲策略的最优性。

    Aug, 2023

  • 管状道路段自动驾驶车辆轨迹规划

    本文提出了一种基于线性规划的自动车辆轨迹规划方法，结合了避障、达到路径点的时间调度和管状道路段的时间最优遍历。

    May, 2017

  • 基于搜索算法的自动驾驶优化运动规划

    本文提出了一种快速、稳健的运动规划框架，通过几种特征实现了在城市条件下实现自动驾驶，其中包括了路径规划和基于 A * 算法的最优轨迹计算，并考虑了各种不同的约束条件和时间跨度进行了验证。

    Mar, 2018

  • Indy Autonomous Challenge -- 处理极限的自主赛车

    该研究论文介绍了一个团队以参加 2021 年 Indy 自主挑战赛来测试自动驾驶软件堆栈，在软件开发流程和硬件模拟方面进行了详细说明，并概述了软件架构和开发重点。

    Feb, 2022