Nov, 2022

自主驾驶的动态条件模仿学习

PDF
TL;DR通过将激光扫描仪和常规相机流在特征级别上融合，以克服泛化和一致性挑战，并引入新的高效实用的栅格占据映射方法及其相关算法，从而动态检测道路的不同障碍，并通过指南针指引可控车辆到另一条路线上以到达目的地。该方法在 CARLA 模拟器城市驾驶基准测试中得到了证明，具有显著效果提升。
conditional imitation learninglaser scanneroccupancy grid mappingroad blockages avoidanceglobal route planning
发现论文，激发创造
  • 面向端到端自动驾驶的多任务学习与注意力机制

    本文提出了一种基于多任务学习和注意力模型的新型自动驾驶条件模仿学习网络，通过解决交通灯反应问题，不仅提高了标准基准测试的成功率，而且具备了响应交通信号的能力。

    Apr, 2021

  • 基于条件仿真学习的城市驾驶控制

    针对自主驾驶中手工制定决策规则的困难，利用易于收集的人类驾驶数据学习行为的能力，同时结合计算机视觉的语义、几何和运动表征，提出了一种基于条件模仿学习的端到端方法，使自动驾驶车辆能够在城区中跟随用户指定的路线，具备横向和纵向控制能力，并且在欧洲城市街道上行驶了 35 公里的新路线。

    Nov, 2019

  • 城市环境下驾驶的有条件能力学习

    该研究提出了一种基于直接感知的自主驾驶方法，在城市环境中能够根据高级方向输入进行自主导航，同时能够识别交通信号灯和速度标志，降低车辆事故率。

    Jun, 2018

  • 基于条件模仿学习的端到端驾驶

    本文提出了一种基于高层指令输入的条件性模仿学习方法，使得经过训练的车辆在测试时间内仍然能够遵循导航指令，本文在仿真实验和机器人卡车实验中对各种条件性模仿学习架构进行了评估和实践。

    Oct, 2017

  • 学会无处不在的驾驶

    提出了一个地理感知的条件模仿学习模型 AnyD，能够有效地从多样性和全球分布的数据中学习，适应局部细微差异以及在数据驱动的方式下建模区域间的相似性，并在多个数据集、城市和可扩展的部署范式下取得显著性能改进。

    Sep, 2023

  • 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

  • 城市驾驶的基于模型的模仿学习

    使用基于模型的模仿学习方法来提高自主驾驶的动作规划，该方法利用 3D 几何形状作为归纳偏差并从专家演示高分辨率视频中直接学习高度紧凑的潜在空间。该模型被训练于城市驾驶数据的离线语料库中，是首个在城市驾驶环境中只使用相机模拟出静态场景、动态场景和自我行为的模型。

    Oct, 2022

  • 自主驾驶规划中基于层次模型的模仿学习

    使用 MGAIL 在密集城市自动驾驶方面进行了第一次大规模应用，通过使用分层模型和经过现实汽车采集的经验轨迹进行性能度量，并结合闭环 MGAIL 损失和开环行为克隆损失实现了稳健的导航策略。

    Oct, 2022

  • 条件模仿学习和指令增强实现更安全的端到端自动驾驶

    本研究提出了基于分离式概率潜变量模型来生成方向盘操控命令的新方法，以实现对自动驾驶汽车进行高层次控制的目的，并扩展了模型以训练对异常方向盘操控命令具有弹性的控制器，达到了在可靠性和可解释性方面均优于当今最先进的技术水平的目的。

    Sep, 2019

  • 基于视觉的可控模仿强化学习在自动驾驶中的应用

    本文提出基于 CIRL 和 DDPG 的深度强化学习方法能够在高保真车辆模拟器中，仅基于视觉输入实现驾驶任务，并相较于监督式模仿学习表现更优，特别地，文章为多控制信号专门设计自适应策略和奖励方案，并基于编码技术引导驾驶代理人在一定限制空间内探索，相较以往方法在 CARLA 数据集实验中显著提高了成功率。

    Jul, 2018