基于语义深度云地图和多智能体技术的端到端自动驾驶
本研究旨在利用深度学习和多模态传感器融合技术提高端到端自动驾驶的性能和泛化能力,通过同时实现场景理解和车辆控制命令的像素级语义分割来测试该深度学习驱动的自动驾驶模型在高度逼真的仿真城市驾驶条件下的性能和通用能力,结果显示,该模型定位和避障等任务的成功率强于先前的模型,并验证了多模态传感器融合和场景理解子任务的协同作用提高了模型的性能和可行性。
May, 2020
本文提出并分析了终端到终端驾驶中,结合 RGB 和深度信息数据的多模态方案,以期提高自动驾驶 AI 模型的性能。通过模拟和条件模仿学习,证明了采用早期融合多模态方案,可以超越采用单模态的性能表现。
Jun, 2019
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
该研究旨在提高自主驾驶的性能和安全性,提出了一种解释性的基于视觉的空时特征学习方案,称为 ST-P3,通过端到端方式同时实现感知、预测和规划任务,并在开放循环 nuScenes 数据集和闭环 CARLA 仿真上验证了其优越性。
Jul, 2022
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
DeepIPC 是一个端到端的自主驾驶模型,包含感知模块和控制模块,通过处理 GNSS 位置、角速度等数据,实现了多项自动驾驶任务,具有更好的可驾驶性能和多任务性能。
Jul, 2022
本文介绍了一种新的实时多任务网络,包括单目三维物体检测、语义分割和密集深度估计,通过引入任务自适应注意力生成器来解决多任务学习中普遍存在的负迁移问题,并利用硬参数共享方法提高效率,能够同时处理多个任务,尤其是三维物体检测,并保持实时处理速度。经过在 Cityscapes-3D 数据集上的严格优化和深入剖析研究,我们的网络始终优于各种基准模型。
Mar, 2024
本文提出了一个基于分析易任务知识对困难任务进行指导以增强驾驶模型泛化力和事故解释能力的新型驾驶模型,通过多任务感知相关基础知识和驾驶知识的逐步训练,成功地提高了驾驶模型的平均完成率,使其在未训练的城市和天气中大幅优于当前基准方法。
Sep, 2018
本文提出了一种基于模块化架构的学车任务分解方法,在障碍感知、目标预测和规划方面均取得了优秀的方法,并在 CARLA 模拟器上实现了最新的优秀结果。
Dec, 2022
本文提出了一种利用深度学习的基于模仿学习的概率驾驶模型,可以综合利用摄像机,激光雷达和雷达的信息来应对各种环境条件和动态障碍物,具有优异的泛化性能。
May, 2020