退出仿真:实现大规模强健和韧性自主车辆的道路
本研究探讨了自动驾驶汽车仿真实验中的各种挑战及其类型,并总结了当前的解决方案,其中包括数据驱动、生成式方法和高保真数据合成近年来逐渐取代基于模型的仿真。
May, 2023
开发了一种模拟框架,使用深度学习感知和控制算法来测试现代自动驾驶系统,通过自适应重要性采样方法来估计基于标准交通行为的意外概率,相对于蒙特卡洛抽样,可以提速 2-20 倍,并且比真实道路测试快 10-300 倍(P 为处理器数量)。
Oct, 2018
该研究论文通过深入审查自动驾驶模拟器,对其发展历程进行三个阶段的分类,并通过功能将模拟器分为五个类别。论文还指出了模拟器面临的一些关键问题,并提供了改进和评估方法,以提高模拟器的效果。
Nov, 2023
本文提出了一种基于形式化方法的智能汽车自动场景测试的新方法,结合仿真和实际测试,并通过实验验证形式化仿真可以有效识别可在跑道上运行的测试用例,仿真和真实世界之间的差距可以得到系统评估和弥合。
Mar, 2020
本研究提出一种自动驾驶架构,利用生成式人工智能在模拟中合成无限的特定条件交通和驾驶数据以提高驾驶安全性和交通效率,并通过多任务增强式拍卖机制为道路侧单元提供精细的资源激励。
Feb, 2023
自主车辆需要行驶超过 110 亿英里以确保其安全性。因此,在进行真实世界测试之前进行模拟测试的重要性是不言而喻的。近年来,以 Carla 和 CarSim 为代表的自主驾驶三维模拟器的发布,标志着自主驾驶模拟测试环境从简单的 2D 俯视图过渡到复杂的三维模型。本论文提出了一个基于深度强化学习的自动生成程序的框架,该框架可以生成不同的二维地面脚本代码,用于构建三维模型文件和地图模型文件。生成的三维地面场景在 Carla 模拟器中显示,实验者可以使用该场景进行导航算法模拟测试。
Jul, 2024
该论文介绍了一种基于博弈论的交通模型,该模型可以用于测试、比较和校准各种自主车辆决策和控制系统,并提供了一个交通仿真环境来优化自主车辆控制系统的参数。
Aug, 2016
研究实施了一种模拟测试框架来评估自动驾驶汽车系统的性能,并采用自适应重要性抽样方法加速稀有事件概率评估,评估了 Comma AI 的 OpenPilot,对自主车辆技术的测试和验证提出了新的方法。
Dec, 2019