May, 2021

SimNet：从真实观测中学习反应式自动驾驶模拟

PDF
TL;DR本文提出了一种利用深度神经网络建模驾驶安全体验的简单的端到端可训练式机器学习系统，可以用于验证自动驾驶系统的性能，而无需进行昂贵且耗时的道路测试。
machine learningsimulationself-drivingmarkov processdata-driven
发现论文，激发创造
  • 基于仿真的强化学习在自主驾驶中的应用

    采用强化学习和模拟技术开发驾驶系统，使用合成数据进行训练并验证了其在真实道路环境中的稳健性与有效性。

    Nov, 2019

  • 通过模拟感知和预测来测试自动驾驶汽车的安全性

    本论文提出了一种新方法，通过模拟自动驾驶汽车感知和预测系统的输出，以可靠地进行运动规划测试，从而取代传统的昂贵且具有较大领域差距的传感器模拟。我们使用真实感知和预测输出与标签数据进行训练，从而预测在线系统的输出。此外，我们的方法以高清地图、边界框和轨迹为输入，可由测试工程师轻松手绘几分钟，这大大提高了可扩展性。通过两个大型数据集的定量实验结果表明，我们可以实现通过模拟来进行现实测试的全面方法。

    Aug, 2020

  • TrafficSim：学习模拟真实多智体行为

    利用 TrafficSim 模拟真实的自动驾驶系统中的多智能体交通模型，以更多样化的人类演示数据为基础，生成人类社交一致的行驶计划，生成更真实、更多样化的交通场景，可作为训练更好的运动规划员的有效数据增强。

    Jan, 2021

  • CtRL-Sim: 反应性和可控驾驶代理的离线强化学习

    在这项研究中，我们提出了一种名为 CtRL-Sim 的方法，它利用退化条件离线强化学习和物理增强的 Nocturne 模拟器，通过处理真实世界的驾驶数据来有效生成具有反应性和可控性的交通代理。我们展示了 CtRL-Sim 能够高效生成多样且逼真的安全关键场景，并提供对代理行为的精细控制。此外，我们还表明，通过用模型生成的模拟安全关键场景对模型进行微调可以增强这种可控性。

    Mar, 2024

  • 基于 Sim-to-Seg 的 Sim-to-Real 方法：无需真实数据的全封闭自主驾驶

    通过使用强化学习技术以端到端的方式处理自主驾驶所需的 3D 场景理解、定位、映射和控制，并利用模拟数据中的 Sim2Seg 技术在模拟器和现实世界之间跨越视觉现实差距进行训练和实验，同时与传统感知和控制技术相比提供同等的性能。

    Oct, 2022

  • 从模拟中学习驾驶技能，无需真实世界标签

    该论文研究基于模拟的无人驾驶视觉导航系统，探讨了如何通过图像转换实现域间转换并在农村和城市道路上对自闭车的驾驶性能进行评估。

    Dec, 2018

  • 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

  • DriveGAN：朝着可控的高质量神经仿真

    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。

    Apr, 2021

  • 一种平台不可知的深度强化学习框架，用于自动驾驶中的有效 Sim2Real 迁移

    该论文提出了一种强大的 DRL 框架，该框架利用特定于平台的感知模块来提取任务相关信息，并在模拟中训练车道跟踪和超车代理程序，从而促进了 DRL 代理程序对于新的模拟环境和真实世界的无缝转移并极大地缩小了不同平台之间的差距和模拟与现实之间的鸿沟，从而使训练代理程序在模拟和真实世界中能够高效地驾驶车辆。

    Apr, 2023

  • 基于深度强化学习的实际驾驶环境离散控制

    本篇研究提出了一个基于真实驾驶环境的 MDP 框架，使用多智能体学习算法来实现对自动驾驶车辆的训练，并提出了可靠的初始化、数据增强和训练技术来实现最小化的视频数据和培训，最终在 TORCS 虚拟驾驶环境中得到了验证。

    Nov, 2022