基于博弈论的主动感知安全自动驾驶系统
在视觉遮挡下的感知和规划对于安全关键任务至关重要,本论文设计了一种端到端网络,通过相对位姿估计在有遮挡的情况下合作估计遮挡行人的当前状态,并具有安全保证的轨迹预测,实验证明在遮挡下,由本体代理进行的遮挡行人不确定性感知轨迹预测与没有遮挡的真实轨迹几乎相似,该研究为多个连接代理在遮挡下进行不确定性感知导航提供了希望。
Dec, 2023
本文提出了一种考虑不确定环境模型中的运动规划方法,将可视性和交互性纳入考虑范围,在优化的运动规划器中集成应用这些条件,从而保证车辆在最坏情况下避免碰撞。
Oct, 2018
本文提出了一种用于自动驾驶的新型博弈理论轨迹规划算法,通过将动态游戏分解为漫长的 “战略” 游戏和短期的 “战术” 游戏,在保证实时性的同时,能够量化自动车辆和人类司机影响彼此的能力和激励,实现更加丰富、安全和有效的自主驾驶行为,并且不依赖于完美理性预测,而是适用于非确定性人类决策的模型。
Oct, 2018
本研究提出了一种基于社会感知方案的自主驾驶决策模块,在该模块中,利用所有可用信息并恰当地处理不确定性问题,将社会感知的更新信念明确地纳入了基于 MPC 的概率规划框架中,以此实现了防御但不过于保守且社会兼容的驾驶策略。
May, 2019
本文提出了一种最小干预的安全控制器,通过使用到达性分析构建实时控制器,实现单车道场景中无碰撞互动的自动驾驶汽车交通合作,并验证其有效性及安全性。
Dec, 2018
本文提出了一种基于模块化架构的学车任务分解方法,在障碍感知、目标预测和规划方面均取得了优秀的方法,并在 CARLA 模拟器上实现了最新的优秀结果。
Dec, 2022
本研究提出 Goal and Occluded Factor Inference (GOFI) 算法,在自动驾驶场景下应用逆向规划技术共同推断目标和潜在的遮挡因素的概率信念,并将这些信念集成到蒙特卡罗树搜索(MCTS)中,从而更准确地预测其他智能体的行为并避免碰撞等风险。
Aug, 2021
为了确保机器人等自主车辆的广泛部署,本文提出了一种新的闭环范式用于综合安全控制策略,明确考虑系统在可能的未来情景下的演变不确定性,通过物理动力学和机器人的学习算法共同推理,利用对抗深度强化学习进行放大,展示了该框架能够处理贝叶斯信念传播和大规模预训练神经轨迹预测模型引起的隐式学习。
Sep, 2023
自动驾驶引起学术界和工业界的广泛关注,但目前的自动驾驶系统大多基于单一车辆,存在较大限制,可能威胁驾驶安全。基于连接和自动驾驶车辆的协作感知被认为是解决这些限制的一种有前景的方法。本文首先确定了协作感知的挑战,如数据共享异步性、数据量和姿态误差等。然后,我们讨论了使用各种技术解决这些挑战的可能方法,并阐述了相关的研究机会。此外,我们提出了一种应对通信效率和延迟问题的方案,即一种通道感知的协作感知框架,通过动态调整通信图并减小延迟,提高感知性能和通信效率。最后,我们进行实验证明了我们提出方案的有效性。
Jan, 2024
自主车辆在复杂和动态环境中导航需要考虑可见和遮挡区域,本论文提出了一种统一的方法 Scene Informer,在部分可观测的场景中同时预测观察到的代理的轨迹和推断遮挡物。通过聚合各种输入模态并在可能与自主车辆计划路径相交的遮挡物上进行选择性查询,该框架估计了遮挡物的占用概率和可能的轨迹,以及观察代理的未来运动。在 Waymo Open Motion 数据集的部分可观测设置中,我们的方法在占用预测和轨迹预测方面优于现有方法。
Sep, 2023