Oct, 2022

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

PDF
TL;DR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。
发现论文，激发创造
  • 基于技能发现的自动驾驶车辆交叉口自适应决策

    提出一种基于强化学习和动作基元的分层框架，可自主收集和重复使用知识来解决城市环境下自动驾驶面临的挑战和不确定性，通过 CARLA 模拟器的测试，其表现优于其他基线方法。

    Jul, 2022

  • 在合并场景下具有自适应策略的交互感知决策制定

    在自动驾驶车辆与其他道路参与者的交互中，应当考虑到不同驾驶员的合作水平以及车辆所处的位置，本文提出的基于多智能体强化学习的交互感知决策方法能够在合并场景下自适应地与其他参与者协商行驶方案，并且可以自动推断其他驾驶员的行为并作出策略性决策。

    Apr, 2019

  • 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

    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

  • 一种自主决策系统的分层控制框架：HMDP 和 MPC 的整合

    本文提出了一种全面的分层控制框架，用于机器人和自主系统中的自主决策。通过综合建模、设计问题的制定、控制设计和稳定性分析，提出了这种具有挑战性问题的综合设计过程和框架，并处理了连续系统动力学和离散马尔科夫决策过程在高层决策中的复杂相互作用。通过使用模型预测控制概念，提出了一个决策者设计方案，通过精心设计参与方案的关键要素，证明了所提出的自主决策方案的递归可行性和稳定性的保证，并将该框架应用于智能车辆的自主换道系统的开发。

    Jan, 2024

  • 使用引导分支的高效自动驾驶不确定性感知决策

    该研究提出了一种高效的不确定性感知决策框架（EUDM），利用专家知识指导行动和愿望空间的分支，以控制计算复杂度，实时生成复杂驾驶环境下的长期横向和纵向行为，同时还提供代码以适应基准测试。

    Mar, 2020

  • 基于学习预测的自主驾驶交互合并决策

    本篇论文提出了一种自动驾驶的决策方法，采用了 POMDP 和 Monte Carlo tree search 等方法对车辆在道路上的交互进行建模和规划，实现了高质量的行驶决策。

    Mar, 2023

  • GIN：自动驾驶中基于图形交互感知约束策略优化

    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。

    Jun, 2022

  • 针对自主驾驶的多模态感知参数化决策

    自动驾驶是一项新兴技术，本论文提出了一种基于深度强化学习的参数化决策框架，AUTO，在感知多模态状态特征基础上设计了图形模型来学习多模态语义特征的状态表示，并通过混合奖励函数考虑安全、交通效率、乘客舒适度等因素，以生成最佳行动。通过广泛实验，证明了 AUTO 在宏观和微观效果上领先于现有技术。

    Dec, 2023

  • 参数化强化学习方法在信号控制路口电动车辆节能驾驶中的应用

    本文提出一种基于强化学习的连接电动汽车经济驾驶框架，旨在提高车辆能源效率，并在交通信号灯路口中重新定义汽车后续策略、换道策略以及车辆加速控制决策，从而优化车辆动作方案，基于 SUMO 软件单车视角和流量视角的评估表明，该策略能够显著减少非人为驾驶车辆的能源消耗，实现了减排目的。

    Jun, 2022

  • 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