端到端可解释的神经运动规划器
本文介绍了一种分层的模仿学习方法,包括一个高层次基于网格的行为规划器和一个低层次的轨迹规划器来增强神经网络的可靠性和稳定性。该方法可以被嵌入到基于规则的架构中,且在封闭回路仿真和实际驾驶测试中表现卓越,特别适用于复杂的城市自动驾驶场景。
Mar, 2023
本论文提出了一种全新的端到端可学网络,它可以对自动驾驶车辆进行联合感知、预测和运动规划,并产生可解释的中间表示。它的运动规划成本与感知和预测估计一致,通过使用一种新的可微分语义占用表示法作为运动规划进程的成本实现。通过从人类示范中端到端学习,用大规模手动驾驶数据集和闭环模拟实验表明,所提出的模型在模仿人类行为和产生更安全的轨迹方面明显优于现有技术。
Aug, 2020
该研究提出了一种基于端到端视觉的自主驾驶轨迹规划方法,使用生成的鸟瞰图中的未来语义地图进行路径规划,增强了自动驾驶的安全性和解释性。
Apr, 2021
本文提出了一种基于深度学习技术的交互式神经运动规划器 (INMP),通过过去的周边图像和高清地图,实时检测其他车辆并进行交互式的预测和规划,采用光流蒸馏模型来提高网络性能,实现自动驾驶任务的有效性和高效性。
Apr, 2021
模型预测控制基于 BehaviorNet 的 AdaptiveDriver 在 nuPlan 闭环规划基准中取得了最先进的结果,将测试误差从 6.4%降低到 4.6%,即使应用于以前未见的城市。
Jun, 2024
本文提出了一种基于神经网络的运动规划方法,使用学习演示来训练机器人在动态障碍物环境下进行端到端导航,此方法可通过原始 2D 激光测距数据将目标位置映射到机器人的导航命令。模型已通过模拟和实际测试的方式进行了有效验证与比较。
Sep, 2016
通过学习驾驶员示范,我们提出了一种可解释神经规划器,用于回归热力图,有效代表自主车辆在鸟瞰图中的多个潜在目标,以解决现实场景中存在的多个可接受计划问题,并通过使用负高斯核来加强热力图回归的监督学习,从而提高碰撞回避效果。我们在 Lyft 开放数据集上的系统评估表明,与之前的工作相比,我们的模型在多样的真实驾驶场景中实现了更安全和更灵活的驾驶性能。
Sep, 2023
提出了一种新的 Eikonal 方程组合方式和逐步学习策略,用于在复杂、杂乱、多高维机器人运动规划情境中训练神经网络。实现结果表明,该方法在计算规划速度、路径质量和成功率方面均显著优于最先进的传统 MP、数据驱动 NMP 和物理信息 NMP 方法,并且可缩放到多个复杂、杂乱情境以及狭窄通道的实际机器人执行情境。
Jun, 2023
我们提出了一种可微分的预测 - 规划框架,使用一个可微分的非线性优化器作为运动规划器,通过神经网络预测周围代理人的轨迹并为自主车辆优化轨迹,我们的模型使用真实世界的驾驶数据集进行训练,并在开环测试和闭环测试中得到验证,拥有比基线模型更好的性能,证明联合训练规划和预测模块比独立训练预测模块更优。
Jul, 2022