Feb, 2022

CADRE: 一种基于层叠深度强化学习的视觉无人驾驶框架

HTML
PDF
TL;DR本文提出了一个使用深度强化学习和计算机视觉技术实现无模型的自主城市驾驶的新方法，该方法使用Co-attention Perception Module（CoPM）从预先收集的数据集中学习视觉和控制信息之间的相互关系，并使用特别设计的奖励函数，实现驾驶策略的在线学习。实验结果表明，该方法在CARLA NoCrash基准测试中的障碍物避让情况下，具有明显的优势和有效性。
发现论文，激发创造
  • 自主驾驶的深度强化学习框架

    研究利用深度强化学习提出了一个用于自动驾驶的框架，其中包含了包含循环神经网络的信息集成和关注模型用于减少嵌入式硬件的计算复杂度，并在TORCS仿真器中验证了其自主操纵能力

    Apr, 2017

  • 通过模块化和抽象实现驾驶策略转移

    该论文提出了一种通过模块化和抽象化来从仿真环境中转移自动驾驶车辆策略到现实世界的方法，该方法旨在将模块化架构和端到端的深度学习方法的优点相结合，从而解决自动驾驶车辆训练中的传递性问题，并在仿真城市环境和现实世界中进行了评估。

    Apr, 2018

  • 一日学车

    本研究首次将深度强化学习应用于自动驾驶，通过模型自主探索学习一个仅需单目图像为输入的车道跟踪策略，并采用单一、易于获取的奖励措施：在无安全司机控制下行驶的距离。我们使用连续的、无模型的深度强化学习算法，并在车上执行所有探索和优化过程，为自动驾驶开发了一个新的框架，摆脱了对定义逻辑规则、制图和直接监督的依赖，同时也探讨该方法面对更广泛自动驾驶任务时的挑战和机会。

    Jul, 2018

  • 基于视觉的可控模仿强化学习在自动驾驶中的应用

    本文提出基于CIRL 和 DDPG 的深度强化学习方法能够在高保真车辆模拟器中，仅基于视觉输入实现驾驶任务，并相较于监督式模仿学习表现更优，特别地，文章为多控制信号专门设计自适应策略和奖励方案，并基于编码技术引导驾驶代理人在一定限制空间内探索，相较以往方法在CARLA数据集实验中显著提高了成功率。

    Jul, 2018

  • 城市自主驾驶的无模型深度强化学习

    本文提出了一个在复杂城市自主驾驶场景下使用无模型深度强化学习的框架，并在高清晰度驾驶模拟器中进行了验证。结果表明，与基线相比，我们的方法可以很好地解决任务，且表现显著优异。

    Apr, 2019

  • 自动驾驶深度学习技术综述

    本文旨在调查深度学习技术在自驾车领域中的最新进展及其强项与局限性，涵盖了基于人工智能的自动驾驶架构、卷积和循环神经网络、深度强化学习范式等内容，以及感知、路径规划、行为仲裁和运动控制算法。同时，重点探讨了当今在设计自动驾驶人工智能架构中所面临的挑战，如安全性、训练数据源和计算硬件等。

    Oct, 2019

  • 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

  • 城市驾驶员：使用策略梯度从现实演示中学习驾驶

    本文提出了一种离线策略梯度方法，通过在感知输出和高保真度地图上构建可微分的数据驱动模拟器来从现实世界的大量演示中学习城市驾驶的模仿策略，进而在闭环中使用策略梯度训练策略网络，并通过在100小时的专家演示上进行训练，展示其能够学习出高泛化性能和多种驾驶动作的城市驾驶策略，并且无需进行复杂的状态扰动或采集进一步的在线策略数据而在真实世界中优于现有的最新城市驾驶方案。

    Sep, 2021

  • 基于像素的自主驾驶城市环境强化学习

    本文介绍了一种新的通过图像学习的强化学习（RLfP）方法，名为RLAD，用于提高城市自动驾驶（AD）的性能。 该方法包括增强的图像编码器、WayConv1D和辅助损失等技术，并在NoCrash基准测试中明显优于所有其他方法。

    May, 2023

  • 针对自主驾驶的多模态感知参数化决策

    自动驾驶是一项新兴技术，本论文提出了一种基于深度强化学习的参数化决策框架，AUTO，在感知多模态状态特征基础上设计了图形模型来学习多模态语义特征的状态表示，并通过混合奖励函数考虑安全、交通效率、乘客舒适度等因素，以生成最佳行动。通过广泛实验，证明了AUTO在宏观和微观效果上领先于现有技术。

    Dec, 2023