Jan, 2022

利用高斯过程模拟人类驾驶员的操作行为

PDF
TL;DR本文提出一种基于多输出高斯过程的模拟人类驾驶员交互的方法，并将其作为 “层次化推理” 方法的改进。提出的方法采用连续域框架使无限的策略空间成为可能，进而为自动驾驶控制算法的验证创建高保真仿真平台。
driver interactionsgaussian processeslevel-k reasoningpolicy spaceautonomous vehicle control
发现论文，激发创造
  • 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

  • 驾驶员行为模仿的同时策略学习和潜在状态推断

    本研究提出了一种基于学习驾驶员模型的方法，该模型能够考虑不能直接观测到的变量，并学习区分四类不同驾驶员行为的编码。通过该方法，得到的驾驶策略在模拟真实驾驶行为方面比基准方法更为有效，并且策略选择的行为明显受到所提供的潜变量设置的影响。

    Apr, 2017

  • 提升混合交通的安全性：基于学习的建模与有效的自动驾驶和人工驾驶车辆控制

    使用先进的人类驾驶车辆模型和高斯过程学习相结合的方法来预测人类驾驶车辆的行为，并利用该模型开发了一种增强型模型预测控制策略，以提高混合车辆编队的安全性和运行效率。

    Apr, 2024

  • GIN：自动驾驶中基于图形交互感知约束策略优化

    本文提出了一种基于图卷积网络的互动感知约束优化方法，通过同时训练运动预测和控制模块并共享一个包含社交上下文的潜在表示来鼓励安全驾驶和预测运动。实验结果表明，这种方法在 CARLA 城市驾驶模拟器上具有比基线更好的导航策略和运动预测性能。

    Jun, 2022

  • 基于层次逆强化学习的交互式驾驶行为概率预测

    讨论自动驾驶车辆如何通过基于层次逆强化学习的概率预测方法，准确预测周围车辆的行为并进行规划，以此应对人类行为的不确定性和交互作用。

    Sep, 2018

  • 动态游戏中数据驱动的先验融合

    智能机器人在与人类一起使用的情况下，研究了基于数据驱动和优化的博弈论策略结合的动态规划方法，以更有效地进行交互感知运动规划。

    Feb, 2024

  • 驾驶模拟的多智能体模仿学习

    通过模拟驾驶场景来验证自主车辆的安全性，GAIL 可学习到具有代表性的人类驾驶模型，但在多主体驾驶情境中存在困难，我们通过基于课程学习的参数共享方法扩展 GAIL 以解决这些缺点，PS-GAIL 方法生成的策略在多主体设置下表现优异且能够捕捉人类驾驶员的紧急行为。

    Mar, 2018

  • 通过生成式对抗模仿学习建模人类驾驶行为

    本文提出一种通过学习真实世界中的驾驶示范数据来学习神经驾驶策略的方法，并使用广义博弈对抗模型进行智能驾驶行为生成，同时介绍了解决多智能体驾驶建模中存在的问题的多智能体模型，并描述了奖赏信号修正的 reward augmented imitation learning (RAIL) 和 Burn-InfoGAIL 对潜在变化因素进行解耦的方法。在 NGSIM 实验数据集上，成功地模拟了高速公路上的驾驶行为。

    Jun, 2020

  • 基于高斯过程和低维交互结构的二阶粒子动力学数据驱动模型选择

    本文通过数据驱动的方法，提出了一种基于粒子的模型，使用基于高斯过程的方法来对相互作用的动力学系统进行建模，并利用小型数据集证明了该方法在描述非线性动力学系统方面的有效性。

    Nov, 2023

  • 自主驾驶规划中基于层次模型的模仿学习

    使用 MGAIL 在密集城市自动驾驶方面进行了第一次大规模应用，通过使用分层模型和经过现实汽车采集的经验轨迹进行性能度量，并结合闭环 MGAIL 损失和开环行为克隆损失实现了稳健的导航策略。

    Oct, 2022