ICCVAug, 2021

通过模仿强化学习教练实现端到端城市驾驶

PDF
TL;DR通过强化学习教练，我们的端到端自主驾驶智能体实现了与人类专家水平接近的表现，其能够通过鸟瞰图像实现连续的低级别操作，提供可靠的监督信号，从而在 NoCrash-dense 基准测试和 CARLA LeaderBoard 公共路线方面达到了最先进的性能。
发现论文，激发创造
  • 具有潜在深度强化学习的可解释端到端城市自主驾驶

    该研究提出了一种解决复杂城市场景下的自动驾驶问题的可解释性深度强化学习方法，在学习过程中引入了序贯潜在环境模型，并生成了语义鸟瞰遮罩，以解释学习策略的行为。实验结果显示，该方法在城市场景中的表现优于 DQN、DDPG、TD3 和 SAC 等基线模型。

    Jan, 2020

  • 基于条件模仿学习的端到端驾驶

    本文提出了一种基于高层指令输入的条件性模仿学习方法，使得经过训练的车辆在测试时间内仍然能够遵循导航指令，本文在仿真实验和机器人卡车实验中对各种条件性模仿学习架构进行了评估和实践。

    Oct, 2017

  • 深度强化学习下的端到端赛车驾驶

    本文提出了使用最新的强化学习算法进行端到端驾驶研究，仅使用来自前置摄像头的 RGB 图像，通过异步演员 - 评论家 (A3C) 框架在真实的赛车游戏中学习车辆控制，并在不同的道路结构、图形和物理特性下进行评估。结果表明本方法可以快速收敛和更稳健的驾驶，同时在看不见的赛道上和法定车速下进行了广义化证明。同时，我们的方法在实际影像序列上显示出一定的领域适应能力。

    Jul, 2018

  • 通过学习端到端的视觉关注来解释自动驾驶

    通过使用注意力模型来提高 CARLA 驾驶模拟器的性能，同时通过模仿学习训练代理人来解释自动驾驶中深度学习无法解释的决策问题。

    Jun, 2020

  • 基于隐含机会的城市驾驶端到端无模型强化学习

    本文采用一种叫 implicit affordances 的新技术，成功地通过强化学习算法完成了诸如车道保持，行人和车辆避让，以及红绿灯检测等复杂任务，最终在 CARLA 挑战赛中获胜。

    Nov, 2019

  • 使用端到端深度模仿学习的敏捷自主驾驶

    我们提出了一种使用低成本传感器进行敏捷越野自主驾驶的端到端模仿学习系统，通过模仿配备高级传感器的模型预测控制器，我们训练了一个深度神经网络控制策略，将原始的高维观测映射到连续的转向和油门命令，这个方法不需要状态估计或实时规划来导航车辆，并通过在线模仿学习克服了协变量漂移方面的挑战，实现了成功的高速越野行驶，匹配了最新的性能水平。

    Sep, 2017

  • 端到端深度强化学习实现车道保持辅助

    本文提出了不同的深度强化学习方法用于自动驾驶，分别包括离散行动类别中的深度 Q 网络算法 (DQN) 和连续行动类别中的深度确定性演员 - 评论家算法 (DDAC)，并在 TORCS 模拟器中测试了其性能。

    Dec, 2016

  • 无人驾驶汽车的端到端学习

    使用卷积神经网络实现端到端的无人驾驶系统，自动学习所需处理步骤的内部表示，以及如何检测车道等相关功能优化，最终将导致更好的表现和更小的系统

    Apr, 2016

  • 由特权到预测：面向城市驾驶的感觉动作强化学习

    通过深度学习模型，我们研究了特权强化学习代理和感知运动代理在城市驾驶中的差异，以缩小二者之间的差距，并提出了逐步发展较不特权的强化学习代理的解决方案。我们还观察到离线数据集上训练的鸟瞰图模型在在线强化学习训练中存在分布不匹配的问题。通过在 CARLA 模拟环境中进行严格评估，我们揭示了强化学习中状态表示对自动驾驶的重要性，并指出了未解决的研究挑战。

    Sep, 2023

  • 基于条件仿真学习的城市驾驶控制

    针对自主驾驶中手工制定决策规则的困难，利用易于收集的人类驾驶数据学习行为的能力，同时结合计算机视觉的语义、几何和运动表征，提出了一种基于条件模仿学习的端到端方法，使自动驾驶车辆能够在城区中跟随用户指定的路线，具备横向和纵向控制能力，并且在欧洲城市街道上行驶了 35 公里的新路线。

    Nov, 2019