ICMLJul, 2022

在潜空间中通过规划解决自动驾驶赛车挑战

PDF
TL;DR本研究实现自主赛车，利用 U-Net 模型实现道路切分、可变自编码器编码路面二进制掩模、最近邻搜索策略确定最佳动作，获得了最小违法行为的最短用时。
autonomous racingu-net architectureroad segmentationvariational autocodernearest-neighbor search
发现论文，激发创造
  • 自主驾驶赛车的准确、低延迟视觉感知：挑战、机制和实用解决方案

    本论文介绍了将最先进的计算机视觉算法应用于自动驾驶赛车的实际挑战和解决方案，包括基于 YOLOv3 的物体检测，姿态估计和双目 / 单目视觉摄像头的时间同步，强调了适用于赛车领域的感知卷积神经网络的修改，姿态估计所使用的损失函数的改进以及亚微秒级相机同步的方法等。我们对该系统进行了彻底实验评估，证明其在实际赛车场景中具有准确性和低延迟性。

    Jul, 2020

  • Learn-to-Race Challenge 2022: 自主赛车中的安全学习和跨领域泛化基准测试

    本文介绍了 L2R 2.0 自动驾驶比赛基准测试，通过多模态感知的强化学习方法在复杂的赛道环境中测试模型的安全、性能和泛化能力。

    May, 2022

  • 高速多车自主赛车的运动规划与控制

    本文提出了一种多层次的运动规划和控制架构，用于自主驾驶赛车，能够避开静态障碍物，执行主动超车，并达到超过 75 m /s 的速度。

    Jul, 2022

  • 深度强化学习下的端到端赛车驾驶

    本文提出了使用最新的强化学习算法进行端到端驾驶研究，仅使用来自前置摄像头的 RGB 图像，通过异步演员 - 评论家 (A3C) 框架在真实的赛车游戏中学习车辆控制，并在不同的道路结构、图形和物理特性下进行评估。结果表明本方法可以快速收敛和更稳健的驾驶，同时在看不见的赛道上和法定车速下进行了广义化证明。同时，我们的方法在实际影像序列上显示出一定的领域适应能力。

    Jul, 2018

  • 深层潜在竞争：使用视觉控制策略在潜在空间学习赛车

    该论文介绍了一种名为 Deep Latent Competition（DLC）的强化学习算法，其可以通过自我博弈在想象中学习竞争性视觉控制策略，从而实现长期推理。DLC 代理人在学习的世界模型的紧凑潜在空间中想象多智能体互动序列以减少实际采样生成的成本，同时潜在表示启用规划随着观察维度的扩展而平滑扩展。该算法在需要从图像观察中进行规划的新颖多智能体比赛基准测试中学习了有效的竞争行为。

    Feb, 2021

  • Learn-to-Race: 自主赛车的多模态控制环境

    该论文通过模拟赛车比赛的方式，使用多模态信息来帮助自动驾驶智能体的学习，在对真实世界的模拟中精确模拟车辆动力学和赛车条件，实现了智能体的学习。

    Mar, 2021

  • 作弊学习

    本文提出了一种基于视觉的自主行驶系统的训练方法，通过两个阶段的训练，先使用有特权的信息训练代理，再使用纯视觉信息训练传感器驱动代理，最终取得了在 CARLA 基准和 NoCrash 基准测试中的优异成绩。

    Dec, 2019

  • 使用深度强化学习在 Gran Turismo Sport 中实现超人类表现

    本文提出了一种基于深度强化学习、高保真的物理模拟和课程进展奖励的学习系统，用于 Gran Turismo Sport 自动汽车竞赛，并在超过 50,000 名人类玩家数据集中，实现了超越自带 AI 和人类最快驾驶者的自主赛车性能。

    Aug, 2020

  • FastRLAP: 基于深度 RL 和自主练习的高速驾驶学习系统

    使用增强学习的方法，我们开发了一个系统，让自动驾驶小型遥控车在现实世界中进行训练，实现了强有力的导航能力以及避免障碍物碰撞的技能，其在线训练不到 20 分钟即可实现自动驾驶。

    Apr, 2023

  • 基于激光雷达的端到端强化学习自主赛车

    该研究使用强化学习算法开发和训练了一个代理机器人，在模拟环境中利用激光和速度数据导航赛车，并在真实赛车场景中进行了实验评估，展示了强化学习算法在提高自主驾驶赛车性能方面的可行性和潜在优势。

    Sep, 2023