通过高效的 B 样条路径构建加速基于深度神经网络的本地汽车行驶规划

Mar, 2022

通过高效的 B 样条路径构建加速基于深度神经网络的本地汽车行驶规划

Speeding up deep neural network-based planning of local car maneuvers via efficient B-spline path construction

Piotr Kicki, Piotr Skrzypczyński

TL;DR本文介绍了如何将 B-spline 与神经网络结合，通过引入一种新的 B-spline 路径构建方法，实现在约 11ms 内快速生成满足环境和汽车动力学约束条件的局部机动，在 Bench-MR 框架下，该方法在所考虑的任务中表现出远超其它规划器的高效性。

Abstract

This paper demonstrates how an efficient representation of the planned path using b-splines, and a construction procedure that takes advantage of the neural network's inductive bias, speed up both the inference a

b-splines neural network dnn-based motion planner local maneuvers bench-mr framework

发现论文，激发创造

使用深度神经网络在约束流形上进行快速运动规划

本文介绍了一种新颖的学习规划框架，探讨了通过利用约束流形和神经规划方法来生成满足任意一组约束的规划，并以短常数时间计算它们的方法。

Jan, 2023

使用图形样条网络学习高效的代理动态模型

提出 GraphSplineNets 深度学习方法，在物理系统的预测中通过减少深度替代模型的网格大小和迭代步骤数来提高计算效率和准确性，包括研究热方程、阻尼波传播、纳维 - 斯托克斯方程和现实世界中规则和不规则域的海流。

Oct, 2023

基于分层模仿学习的城市驾驶可解释运动规划器

本文介绍了一种分层的模仿学习方法，包括一个高层次基于网格的行为规划器和一个低层次的轨迹规划器来增强神经网络的可靠性和稳定性。该方法可以被嵌入到基于规则的架构中，且在封闭回路仿真和实际驾驶测试中表现卓越，特别适用于复杂的城市自动驾驶场景。

Mar, 2023

建立混合 B 样条和神经网络算子

基于深度 B 样条和数据驱动神经网络相结合的策略，提出了一种用于实时预测控制系统行为的混合 B 样条神经操作器，证明其作为通用逼近器的能力并提供了逼近误差的严格界限。在控制的 6 自由度四旋翼飞行器上通过实验验证了这些发现，并比较了全连接网络和循环神经网络在实际场景中的实用性和权衡。

Jun, 2024

运动规划网络

Motion Planning Networks (MPNet) is a novel neural network-based algorithm that efficiently generates collision-free paths for robotics applications in various environments, and consistently remains computationally efficient in all presented experiments.

Jun, 2018

SplineCNN：使用连续 B 样条核进行快速几何深度学习

本文提出了用于不规则结构和几何输入的变体卷积神经网络 —— 基于样条的卷积神经网络，其创新之处在于基于 B 样条的卷积算子，使得计算时间不受卷积核大小的影响。作者在图像图形分类、形状对应和图节点分类等任务中验证了该方法的有效性。

Nov, 2017

基于强化学习的行为规划与采样运动规划的自动驾驶集成

本文提出一种利用深度强化学习的自主驾驶行为规划模型，通过预测未来交通情况，将高层行为规划接口化，并通过循环规划策略进行实验验证。

Apr, 2023

端到端可解释的神经运动规划器

本文提出了一种神经运动规划器 (NMP)，用于在复杂的城市场景中学习自主驾驶，包括交通灯处理、让路和与多个道路用户的交互。通过输入原始的 LIDAR 数据和高清地图，NMP 生成可解释的中间表示形式，以及定义了自动驾驶汽车在规划范围内可以采取的每个位置的良好程度的成本体积。最后，本文的实验结果表明，学习成本体积可以生成比所有基线更安全的规划。

Jan, 2021

DeepSpline: 参数曲线和曲面的数据驱动重建

本文提出了一种基于深度学习架构的样条拟合方法，可以用于根据图像或点云输入重构几何图形，与传统的基于样条的方法相辅相成。

Jan, 2019

ReACT: 使用 B 样条几何对控制器参数化进行强化学习

应用深度强化学习和 N 维 B 样条几何图形，通过自适应控制器参数的 DRL 代理来改进工业应用中的控制结构，并在工业控制结构的参数化任务上进行训练和评估。

Jan, 2024