基于神经机器人平台的自主驾驶模拟器
该论文提出了一种强大的 DRL 框架,该框架利用特定于平台的感知模块来提取任务相关信息,并在模拟中训练车道跟踪和超车代理程序,从而促进了 DRL 代理程序对于新的模拟环境和真实世界的无缝转移并极大地缩小了不同平台之间的差距和模拟与现实之间的鸿沟,从而使训练代理程序在模拟和真实世界中能够高效地驾驶车辆。
Apr, 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
基于神经辐射场(NeRF)的自主驾驶模拟器具有独立的前景模型和背景环境网络,支持模块化设计,实现了最新的照片级逼真效果,并将以开源形式发布,为自主驾驶模拟的学术进展和行业部署提供支持。
Jul, 2023
本文提出了一种利用深度神经网络建模驾驶安全体验的简单的端到端可训练式机器学习系统,可以用于验证自动驾驶系统的性能,而无需进行昂贵且耗时的道路测试。
May, 2021
CARLA 是一款用于自主驾驶研究的开源模拟器,支持模块化流程、模仿学习和强化学习,可用于研究不同驾驶方式在不同场景下的表现,提供数字建模和传感器套件等资源。
Nov, 2017
使用深层强化学习训练神经网络来实现自动驾驶规划栈中的控制系统,不仅使模拟环境中的自动驾驶汽车能够在没有障碍物的情况下平稳、安全地行驶,在真实世界城市中也能表现出良好的泛化能力。
Jul, 2022
本文介绍了在 CARLA 模拟器中,基于 CaRINA2 架构设计了一个自主车辆导航系统,能够有效避免交通违规,具备障碍物检测、交通标志检测、风险评估、决策制定和控制等多个关键组件,利用卷积神经网络等技术实现。该系统在首届 CARLA 自主驾驶挑战赛中成绩斐然,取得了 3 个赛道的胜利。
Oct, 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