CoPEM: 自主驾驶合作感知误差模型
自动驾驶中准确的感知是推动该领域发展并解决安全挑战的关键。新兴的基于车联网技术的合作感知被提出作为一种解决方案,以克服当前感知方法在复杂真实交通环境中遇到的困难,并提升驾驶自动化系统的性能。本文通过全面综述合作感知技术的演进,并重点关注与车联网通信技术相关的最新研究,提出了一个当代通用框架来说明基于车联网的合作感知工作流程,分析了当前所解决的关键问题并进行了文献综述,最后探讨了自动驾驶中感知和车联网通信发展所面临的挑战和未来方向。
Oct, 2023
本文提出了感知误差模型(PEM),并针对 Apollo 和 nuScences 两个开源驾驶软件进行了参数建模和评估。通过在 SVL 等开源车辆模拟器中实现 PEM,我们通过评估相机、光达和相机 - 光达设置,展示了基于 PEM 的虚拟测试的实用性,并发现其中的局限性。
Feb, 2023
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
车联网自动驾驶开辟了发展新一代智能交通系统的有前途的方向。合作感知作为实现车联网的必要组成部分,能够克服个体感知的固有局限,包括遮挡和远程感知。我们对车联网场景下的合作感知方法进行了全面的综述,为该领域提供了深入的理解和了解。
Aug, 2023
利用协作感知和协作预测,该研究论文提出了一种使用激光雷达信号进行增强跟踪和预测能力的方法,通过实验证明了该方法在复杂情况下显著提高了自动驾驶车辆的性能。
Mar, 2024
本研究提出了一种基于历史信息的 V2X-INCOP 方案,利用通信自适应多尺度时空预测模型来提取多尺度时空特征、捕捉最显著的信息以预测遗漏的信息,同时采用知识蒸馏框架和课程学习策略来稳定模型训练,实验表明该方法能够有效缓解通信中断对合作感知的影响。
Apr, 2023
该论文提出了一种名为 MACP 的新框架,通过将单一代理预训练模型配备合作能力,以实现来自单一代理的转变,并通过冻结其大部分参数并添加轻量级模块来适应模型。实验证明该框架能够有效利用合作性观测,并在模拟和真实合作感知基准测试中表现优异,同时要求较少的可调参数和降低的通信成本。
Oct, 2023
近年来光学传感器和学习算法对于自主驾驶的发展有了显著提高,但今天的自主驾驶仍受到有限视线感知能力和数据驱动方法处理极端情况的脆弱性的阻碍。因此,使用车辆间通信协同感知被认为是一种增强自主驾驶的重要方式。本篇论文提出 COOPERNAUT,一种基于机器学习的协同感知驾驶模型。COOPERNAUT 可以通过车辆间的通信对紧凑型基于点的 LiDAR 信息进行编码并在危险情况下增强自主驾驶的性能。本文所开发的网络增强驾驶仿真框架,AutoCastSim,可以在典型的事故场景下进行驾驶模型实验,结果表明,在这种具有挑战性的驾驶情况下,使用 COOPERNAUT 的协同感知驾驶模型比自我中心驾驶模型有着 40%的平均成功率的提高,并且需要的带宽比之前的 V2VNet 小 5 倍。
May, 2022
本文研究了车路一体化(V2X)通信在提高自动驾驶车辆感知性能方面的应用,并提出了一种基于 V2X 通信的健壮的协作感知框架,使用一种新颖的视觉 Transformer。使用大规模的 V2X 感知数据集,在海量实验中表明 V2X-ViT 能够在 3D 物体检测中取得 state-of-the-art 的表现,并且即使在恶劣嘈杂的环境下具有稳健的性能。
Mar, 2022
自动泊车系统中加强环境感知一直是一个困难的任务,但是通过协同感知可以扩大车辆的视野,本文提出了一种基于 BEV 特征的协同感知网络架构,通过将道路边缘摄像机和激光雷达与车载传感器融合,有效地压缩 BEV 特征图的大小以适应 NR-V2X 网络的数据速率。通过合成的 AVP 数据集,我们观察到协同感知可以有效地提高感知性能,特别是对于行人。此外,在两种典型的安全关键场景中展示了基础设施辅助式协同感知的优势,在这两种场景中,最大安全巡航速度提高了 3m/s。
Mar, 2024