基于光流蒸馏的自动驾驶端到端交互式预测和规划

CVPRApr, 2021

基于光流蒸馏的自动驾驶端到端交互式预测和规划

End-to-End Interactive Prediction and Planning with Optical Flow Distillation for Autonomous Driving

Hengli Wang, Peide Cai, Rui Fan, Yuxiang Sun, Ming Liu

TL;DR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。

Abstract

With the recent advancement of deep learning technology, data-driven approaches for autonomous car prediction and planning have achieved extraordinary performance. Nevertheless, most of these approaches follow a non-int

autonomous driving deep learning neural motion planner interactive prediction optical flow distillation

发现论文，激发创造

基于视觉光流蒸馏的自动驾驶端到端可解释运动规划学习

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

端到端可解释的神经运动规划器

本文提出了一种神经运动规划器 (NMP)，用于在复杂的城市场景中学习自主驾驶，包括交通灯处理、让路和与多个道路用户的交互。通过输入原始的 LIDAR 数据和高清地图，NMP 生成可解释的中间表示形式，以及定义了自动驾驶汽车在规划范围内可以采取的每个位置的良好程度的成本体积。最后，本文的实验结果表明，学习成本体积可以生成比所有基线更安全的规划。

Jan, 2021

基于知识蒸馏的自主车辆规划中的可扩展高效交互感知

结合知识蒸馏的优化，通过训练小型网络，提高了自动驾驶交互感知中的路径规划的速度和精确性。

Apr, 2024

OFMPNet: 城市环境中的占用和流量预测的深度端到端模型

通过引入一种名为 OFMPNet 的深度编码器 - 解码器模型，利用占据图和场景的运动流来预测环境中所有动态对象的未来行为，并提出了一种新颖的时间加权运动流损失，进一步降低终点误差。该方法在 Waymo Occupancy and Flow Prediction 基准测试中取得了最先进的结果，Flow-Grounded Occupancy 的软 IoU 为 52.1％，AUC 为 76.75％。

Apr, 2024

自主驾驶可微分的集成运动预测和规划学习代价函数

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

自主车辆的交互式运动规划与联合优化

MPC 与学习预测模型相结合的交互联合规划（IJP）在计算上可扩展的方式上提供了最佳结果。

Oct, 2023

深度交互式动作预测与规划：通过动作预测模型进行游戏

本研究提出一种多智能体策略网络和博弈论模型预测控制器相结合的方案，将自动驾驶车辆的预测和规划层紧密耦合，能够有效生成交互行为。

Apr, 2022

PiP：面向自动驾驶的规划感知轨迹预测

为了实现自动驾驶规划的社交合规和灵活性，我们提出了以规划为基础的轨迹预测（PiP）方法，通过利用自车的规划信息来指导预测过程，实现了在高速公路数据集上多智能体预测的最佳表现。此外，我们的方法通过将 PiP 与自车多个候选轨迹相结合，实现了预测和规划的新型流程，对于交互式场景中的自动驾驶非常有益。

Mar, 2020

自动驾驶的混合预测集成规划

自主驾驶系统需要全面理解和预测周围环境，以在复杂场景中做出明智决策。为了解决预测和规划中的三个主要挑战，并提升准确性和一致性，本文引入了一种混合预测集成规划系统 (HPP)。通过创新设计的模块，HPP 在预测和规划方面取得了最先进的性能，展示了在预测和规划的端到端范式中卓越的准确性和一致性。

Feb, 2024

基于递进交互的自动驾驶轨迹预测学习

通过逐步交互网络和权重分配机制提高地图约束条件对代理的特征表示的学习，从而实现准确的行为预测，以优化自动驾驶性能。

Mar, 2024