Jul, 2022

DeepIPC: 在真实环境中为自动驾驶汽车进行深度集成的感知与控制

PDF
TL;DRDeepIPC 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。
deepipcautonomous drivingperceptioncontrollermulti-task
发现论文，激发创造
  • DeepIPCv2: 基于 LiDAR 的自动驾驶环境感知和导航控制系统

    该研究提出了 DeepIPCv2 自主驾驶模型，使用 LiDAR 传感器感知环境，提高驾驶的稳定性和可靠性。该模型在不同光照条件下具有更好的场景理解和稳定的感知特征，从而支持控制模块进行准确的导航控制。通过多项测试和比较实验，DeepIPCv2 表现出在所有条件下的最佳性能。

    Jul, 2023

  • 基于语义深度云地图和多智能体技术的端到端自动驾驶

    本文提出了一种深度学习模型，通过端到端和多任务学习方法进行训练，同时执行感知和控制任务，用于自动驾驶车辆的点对点导航；在 CARLA 模拟器上进行评估，同时与其他已有模型进行比较和消融实验，实现了更高的驾驶分数。

    Apr, 2022

  • 深度空间时间端到端感知自主车辆的深度学习方法

    本文介绍了一种名为 DeepSTEP 的端到端感知体系结构，它通过处理来自摄像头、激光雷达和雷达的原始传感器数据，并将提取的特征合并在一个深度融合网络中。DeepSTEP 将检测和定位相结合，并利用自我关注机制来关注最重要的特征，以提高自主车辆感知系统的性能和效率。

    May, 2023

  • 混合策略梯度及其实验验证下的高级自动驾驶一体化决策与控制

    本文提出了一种基于 RL 算法的自我进化决策系统，包含 CMPG 和 ABE 技术，该系统被部署在一辆自动驾驶汽车上，实现了智能、高效、安全的驾驶行为。实验表明，该系统可显著提升驾驶能力和模型方法相比具有更好的驾驶环境适应性。

    Oct, 2022

  • 基于视觉光流蒸馏的自动驾驶端到端可解释运动规划学习

    该研究提出了一种基于端到端视觉的自主驾驶轨迹规划方法，使用生成的鸟瞰图中的未来语义地图进行路径规划，增强了自动驾驶的安全性和解释性。

    Apr, 2021

  • 自动驾驶系统中数据集成的深度学习方法调查

    本文综述了近期深度学习与感知模块相结合的自动驾驶系统，介绍了针对何时、如何和何种方式集成多传感器测量的分类方法，提出了基于多视图、多模态和多帧的三维集成分类，总结了集成操作的优缺点，并讨论了理想数据集成方法的关键特性。

    Jun, 2023

  • 基于光流蒸馏的自动驾驶端到端交互式预测和规划

    本文提出了一种基于深度学习技术的交互式神经运动规划器 (INMP)，通过过去的周边图像和高清地图，实时检测其他车辆并进行交互式的预测和规划，采用光流蒸馏模型来提高网络性能，实现自动驾驶任务的有效性和高效性。

    Apr, 2021

  • 多装载车辆摄像头图像转换成鸟瞰视角语义分割图像的 Sim2Real 深度学习方法

    该论文提出了一种使用多个车载摄像头获取 360 度鸟瞰图像的方法，并利用神经网络进行分割和预测，以解决单目摄像头在环境感知中的距离估计问题。该方法包括一个语义分割和遮挡区域预测步骤，通过合成数据训练神经网络，实现了对真实世界数据的普遍适用。与透视变换法相比，该方法在合成数据实验中表现出了优越性。

    May, 2020

  • 使用端到端深度模仿学习的敏捷自主驾驶

    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

  • 深度驾驶：自主驾驶直接感知的能力学习

    本文提出一种基于直接感知的自动驾驶范式，使用深度卷积神经网络将输入图像映射到与驾驶相关的感知指标，并证明该方法可以成功地应用于不同的虚拟环境和现实场景。

    May, 2015