Jun, 2022

GIN：自动驾驶中基于图形交互感知约束策略优化

PDF
TL;DR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。
reinforcement learningautonomous drivingpolicy optimizationgraph convolution networksmotion prediction
发现论文，激发创造
  • 面向分布感知的自主驾驶安全目标预测和符合模型规划

    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

  • 使用图神经网络联合交互和轨迹预测自动驾驶

    本文提出了一种基于图神经网络的方法，通过显式建模相互作用来预测交通场景中车辆的未来动向，并采用自动标注函数来生成交互标签，从而有效地降低了轨迹误差。

    Dec, 2019

  • 基于图卷积的深度强化学习在混合交通环境下的多智能体决策

    本研究提出了一种利用图神经网络和深度强化学习相结合的图强化学习方法，以提高自主车辆互动交通场景下的决策生成精度。在实验验证中，该方法能够提取交互情景特征，并生成更好的合作行为。

    Jan, 2022

  • 基于图的预测与规划策略网络（GP3Net）在动态环境中使用深度强化学习进行可扩展的自动驾驶

    在非固定驾驶环境中，提出了一种基于深度图预测和规划策略网络（GP3Net）框架，该框架通过编码交通参与者之间的相互作用以及提供 AV 的安全操纵决策来预测未来的动态路径，进而提高自动驾驶车辆的安全性能。

    Dec, 2023

  • 基于递进交互的自动驾驶轨迹预测学习

    通过逐步交互网络和权重分配机制提高地图约束条件对代理的特征表示的学习，从而实现准确的行为预测，以优化自动驾驶性能。

    Mar, 2024

  • 自主驾驶的安全多智能体强化学习

    本文介绍了一种利用深度强化学习解决自动驾驶问题的方案，不同于其他机器人任务，自动驾驶需要确保功能安全和在多个智能体情境下执行正确的决策，其中的主要挑战包括如何处理多个智能体的不确定行为，以及如何在 “Desires” 策略和难以控制的路径规划之间实现平衡。

    Oct, 2016

  • GRIP++：增强的基于图的交互感知自动驾驶轨迹预测

    本研究描述了一种改进方案 GRIP ++，其使用静态和动态图形来预测不同类型的交通元素的轨迹；GRIP ++ 在街区交通数据集 ApolloScape 上完成了实验，取得了比最先进方案更好的预测精度，其运行速度比 CS-LSTM 方案快出 21.7 倍。

    Jul, 2019

  • 城市环境中基于交互感知的行为概率预测

    本研究提出了基于动态贝叶斯网络的概率性交通预测模型，结合马尔科夫模型和上下文感知的车辆运动模型，可以更精准地预测未来的交通路径和解决交互问题。相较于基于物理学和地图的方法，该模型表现更加优越。

    Apr, 2018

  • 使用无模型强化学习在密集交通中驾驶

    本研究使用深度强化学习来生成一种连续控制规划方案，让自动驾驶汽车在拥挤的道路上实现车道变换，并与基于模型预测控制算法进行对比测试。

    Sep, 2019

  • 自主车辆的决策制定：基于交互感知行为预测和社交关注神经网络

    自主车辆在交通中需要与人类驾驶员互动来完成任务，因此装备自主车辆具备人工推理以更好地理解周围交通的意图，从而促进任务完成。本文提出了一种行为模型，将驾驶员的互动意图编码为潜在的社会心理参数，并设计了基于贝叶斯滤波器的递进视界优化控制器以考虑互动驾驶员意图的不确定性，同时采用基于注意机制的神经网络架构来模仿行为模型和在线估计参数先验，并提出决策树搜索算法在线解决决策问题。本文对所提出的行为模型进行了真实世界轨迹预测能力的评估，并在模拟环境和真实世界交通数据集中进行了强制公路合并场景的决策模块的广泛评估，结果表明我们的算法能够在各种交通条件下完成强制合并任务并确保驾驶安全。

    Oct, 2023