CVPRApr, 2021

DriveGAN：朝着可控的高质量神经仿真

PDF
TL;DR通过使用机器学习，该研究提出了一种能够通过观察图像数据和相关动作对来学习环境行为并进行建模的高质量神经模型，称为 DriveGAN，不需要监督信号训练控制模型，并在多个数据集上进行了训练和测试，表现优于之前的数据驱动模拟器，实现了对场景和非玩家对象的各个方面进行控制的新功能。
realistic simulatorsmachine learningneural simulatorcontrollabilitydata-driven simulators
发现论文，激发创造
  • 学习使用 GameGAN 模拟动态环境

    本文介绍了 GameGAN 这个生成模型，它通过学习代理与环境交互中的表现来模拟图形游戏环境，并通过内部环境地图和动静分离的方式实现更高的可解释性和更广泛的应用。

    May, 2020

  • 探索在驾驶数据合成中的生成式人工智能应用

    通过三种不同的生成式人工智能方法应用驾驶模拟器中的语义标签图作为创建真实数据集的桥梁，本文比较分析了这些方法的图像质量和感知能力，产生了包括驾驶图像和自动生成的高质量注释的新合成数据集，证明了扩散式方法可以提供改进的稳定性和解决 Sim2Real 挑战的替代方法。

    Apr, 2024

  • 学习驾驶模拟器

    通过使用变分自编码器和条件递归神经网络，本文研究了一种新的自动驾驶汽车仿真方法，通过学习驾驶员行为的克隆，并通过模拟道路中未来的事件来规划车辆行驶路线， 在不涉及像素空间成本函数的情况下优化转换模型，并且我们的方式可以在几帧内持续预测逼真的视频。

    Aug, 2016

  • SimGAN: 基于对抗强化学习的混合仿真器识别进行领域自适应

    SimGAN 是一种基于深度神经网络和传统物理学模拟的混合仿真器，通过对抗强化学习实现域自适应，以解决机器人控制程序跨不同领域的转化问题。在六个机器人运动任务中，它比多个强基线性能更好。

    Jan, 2021

  • 用生成对抗网络模仿驾驶员行为

    采用生成式对抗模仿学习模型训练递归策略，提高了人类驾驶行为仿真在智能交通系统应用中的准确性，具有较高的实用性。

    Jan, 2017

  • SimGen：基于模拟器的驾驶场景生成

    通过混合模拟器和现实世界的数据，SimGen 模型能够学习生成具有多样性的驾驶场景，通过新颖的级联扩散管道解决了模拟到真实世界之间的差距和多条件冲突，并在保持可控性的基础上，获得卓越的生成质量和多样性。

    Jun, 2024

  • SAD-GAN: 基于生成对抗网络的合成自主驾驶

    利用生成神经网络学习合成驾驶行为并使用控制器教练网络来模仿人类学习，通过在 Road Rash 游戏地图上测试模型的学习程度来验证模型的准确性。

    Nov, 2016

  • RL-CycleGAN: 强化学习感知的模拟到真实领域的对抗生成网络

    本论文提出了基于深度神经网络的强化学习在机器人抓取任务中的应用，以及利用生成模型进行图像仿真与真实环境之间的过渡。其中引入了 RL-scene 一致性损失用于图像翻译，可保证翻译操作是不变的，并在实现无监督领域转换的同时，训练出了 RL-CycleGAN 模型，该模型表现出了模拟到现实环境下最优的效果。

    Jun, 2020

  • DeepRoad：基于 GAN 的形变自主驾驶系统测试

    本文提出了 DeepRoad，是一个无监督的框架，它可以通过使用生成对抗网络以及对应的现实天气场景，自动生成各种天气条件下的准确驾驶场景，用于测试 DNN 自动驾驶系统的一致性，并在三个认可的 DNN 自动驾驶系统上进行了实验，证明了 DeepRoad 可以检测出数千种行为不一致性。

    Feb, 2018

  • PhysGAN：为自主驾驶生成物理世界鲁棒的对抗样本

    通过 PhysGAN 产生物理世界中鲁棒性的对抗性样本，有效欺骗自动驾驶系统并在数字仿真和现实世界中进行评估，比其他基线方法表现更好，为攻击常规自动驾驶场景生成逼真和具有物理世界鲁棒性的对抗性样本的首个技术。

    Jul, 2019