Sep, 2022

基于视觉的自动驾驶车辆的高效感知、规划和控制算法

PDF
TL;DR该论文提出了一个有效的自主驾驶车辆操作框架，仅需要使用单目相机和几个廉价雷达，使用 MTUNet 网络提取图像特征，并使用 CILQR 和 VPC 模块进行快速运动规划和控制。该控制器可以保持自拍车速度及全向偏移分别为 76 公里 / 小时及 0.52 米，而无需使用高清地图。
autonomous vehiclesvision-based automatic vehiclesmtunetcilqrvpc
发现论文，激发创造
  • 使用 SoC FPGA 上的检测分割网络实现自动驾驶车辆的感知系统

    本文通过应用 MultiTaskV3 检测 - 分割网络为基础的感知系统，在 AMD Xilinx Kria KV260 Vision AI 嵌入式平台上进行的适当训练、量化和实现，实现了在单一结构中执行两种功能，并且在物体检测方面实现了高精度。

    Jul, 2023

  • 基于共享信息的连接自主车辆安全高效行为规划

    本研究介绍了一种信息共享和安全多智能体强化学习框架，通过车辆间通信收集处理后的 LIDAR 和摄像头数据，在提高交通效率和安全方面取得优势，并在 CARLA 模拟器中得到验证。

    Feb, 2023

  • 自动驾驶基于强化学习和深度学习的车辆横向控制

    本文研究基于深度学习和强化学习方法的视觉自主驾驶技术，提出了一种将视觉控制系统拆分为感知模块和控制模块的方法，并针对数据效率提出了基于 TORCS 的深度强化学习模拟环境。实验结果表明，感知模块表现良好，控制器实现了对车辆的良好控制。

    Oct, 2018

  • 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

  • 自动驾驶汽车的端到端多模态多任务车辆控制与视觉感知

    在自动驾驶领域，使用卷积神经网络（CNN）进行端到端的方向控制任务已经取得了成功。但是单一任务学习方向控制并不足以进行车辆控制，因此本文提出了一种多任务学习的框架，通过预测视觉输入和上一时刻的速度反馈来同时预测方向控制和速度控制。通过实验，证明了该模型能够准确地预测方向角和速度值。此外，本文还改进了故障数据合成方法，以解决在真实道路测试中出现的错误积累问题。

    Jan, 2018

  • VTGNet：面向城市环境的自主驾驶车辆的基于视觉的轨迹生成网络

    本论文提出了一种基于模仿学习的不确定性感知的端到端轨迹生成方法，能够从前置相机图像中提取空时特征，并能在不同环境中生成可靠的轨迹，具有优于现有最先进的端到端控制方法的跨场景 / 平台驾驶结果。

    Apr, 2020

  • 利用不完美通信的增强协同感知自动驾驶车辆

    通过合作感知技术提高自动驾驶车辆在不利环境下的视觉感知质量，采用最佳辅助车辆优化协同感知并提高目标检测准确性，特别关注行人检测，验证结果表明该方法在挑战场景中提高了协作感知性能和驾驶安全。

    Apr, 2024

  • 自主车辆感知的检测分割卷积神经网络

    通过对三种不同的网络体系结构进行实验，我们证明了多任务 V3 对于物体检测和区域分割的性能最佳，可在自动驾驶车辆的嵌入式感知系统中具有实用性。

    Jun, 2023

  • 车路协同的智能感知系统

    通过利用激光雷达技术与数据融合算法，实现车路协同的共享与组合，提高自动驾驶系统的感知范围、补充盲区、提高感知精度，以促进自动驾驶技术的发展并实现车路一体化。同时，设计测试场景，证明了车路协同自动驾驶与单车自动驾驶相比的优势。

    Aug, 2022

  • 基于改进的 A * 算法的自动停车规划控制方法

    本文提出了基于 A * 算法的改进自动停车规划算法，并使用模型预测控制 (MPC) 作为自动停车的控制模块，通过优化启发函数、二叉堆优化和双向搜索来增强规划的实时性，通过动态加载障碍物和引入车辆自身体积来计算狭窄区域的通行能力，在满足停车任务的高轨迹质量要求方面，使用邻域扩展和贝塞尔曲线优化方法改善轨迹质量。在获得规划算法的输出结果后，根据本地地图下自动停车任务的特点设计损失函数，并使用 MPC 算法输出控制指令以沿着规划的轨迹行驶。实验结果表明，本文提出的改进算法能够有效满足本地地图下自动停车的特殊要求，并完成自动停车的规划和控制任务。

    May, 2024