ICCVMar, 2021

Learn-to-Race: 自主赛车的多模态控制环境

PDF
TL;DR该论文通过模拟赛车比赛的方式，使用多模态信息来帮助自动驾驶智能体的学习，在对真实世界的模拟中精确模拟车辆动力学和赛车条件，实现了智能体的学习。
autonomous drivingracing simulationlearn-to-racemulti-modal informationsimulated racing
发现论文，激发创造
  • Learn-to-Race Challenge 2022: 自主赛车中的安全学习和跨领域泛化基准测试

    本文介绍了 L2R 2.0 自动驾驶比赛基准测试，通过多模态感知的强化学习方法在复杂的赛道环境中测试模型的安全、性能和泛化能力。

    May, 2022

  • 基于激光雷达的端到端强化学习自主赛车

    该研究使用强化学习算法开发和训练了一个代理机器人，在模拟环境中利用激光和速度数据导航赛车，并在真实赛车场景中进行了实验评估，展示了强化学习算法在提高自主驾驶赛车性能方面的可行性和潜在优势。

    Sep, 2023

  • DeepRacer: 自主驾驶教育赛车平台 进行 Sim2Real 强化学习实验

    DeepRacer 是一个用于 RL 端到端实验的平台，可以用来系统地研究智能控制系统开发中的关键挑战。该平台的应用展示了如何使用 RL 和单眼摄像头来训练 1/18 比例的小车自主学习驾驶，尤其展示出了一个能够通过使用原始相机图像观察和无模型学习方法执行鲁棒路径规划的机器人控制代理的 RL 算法。

    Nov, 2019

  • 感知、想象、行动：多模态感知改进基于模型的自主竞赛强化学习

    该研究提出了一种自监督传感器融合技术，将自身视觉 LiDAR 和 RGB 相机观测数据相结合，应用于模型驱动的强化学习领域，通过提高状态估计来改善其准确性，并在零样本场景下验证了其有效性。

    May, 2023

  • 使用深度强化学习在 Gran Turismo Sport 中实现超人类表现

    本文提出了一种基于深度强化学习、高保真的物理模拟和课程进展奖励的学习系统，用于 Gran Turismo Sport 自动汽车竞赛，并在超过 50,000 名人类玩家数据集中，实现了超越自带 AI 和人类最快驾驶者的自主赛车性能。

    Aug, 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

  • AirSim 无人机竞速实验室

    介绍了 AirSim Drone Racing Lab 仿真框架，可用于自主飞行器比赛算法的快速原型设计，以在多个真实场景中测试计划、控制、视觉等算法和通过竞赛形式比较算法效果。

    Mar, 2020

  • 自动驾驶基于强化学习和深度学习的车辆横向控制

    本文研究基于深度学习和强化学习方法的视觉自主驾驶技术，提出了一种将视觉控制系统拆分为感知模块和控制模块的方法，并针对数据效率提出了基于 TORCS 的深度强化学习模拟环境。实验结果表明，感知模块表现良好，控制器实现了对车辆的良好控制。

    Oct, 2018

  • RACE-SM: 基于强化学习的社交出口匝道合并的自主控制

    提出了一种基于学习的新型加速和换道决策模型，该模型明确考虑了自我车辆及周围车辆的效用，以产生社会可接受的行为。仿真结果表明，考虑周围车辆在奖励函数设计中的重要性，并直接考虑并道对周围车辆的影响，该模型在避免事故、近距离避开和反社会行为方面与文献中的模型相匹配或超过。

    Mar, 2024

  • 以强化学习为基础的自主 Formula SAE 车辆控制的赛车之路

    探索利用深度强化学习（RL）进行端到端控制的无人驾驶车辆在自主 FS 赛车比赛中的应用，并展示了该方法在模拟环境和实际赛道上的成功应用。

    Aug, 2023