MAVERIC: 以数据驱动的个性化自动驾驶方法
自动驾驶车辆中的驾驶风格通过以加权特征描述并捕捉车辆的反应感知特征,使用改进的最大熵逆强化学习方法从演示轨迹中识别驾驶风格,并通过 MATLAB 模拟和现有实验进行验证。
Aug, 2023
本研究测试了用户对自动驾驶汽车采用何种驾驶风格的偏好,并发现用户倾向于更为保守的驾驶风格。研究结果表明,用户对于所处的具体驾驶情境有不同的偏好,为学习个性化驾驶风格提供了新的契机。
Feb, 2018
本文介绍了一个基于不确定性感知的集成预测和规划框架,在考虑人的礼貌及预测不确定性的同时生成安全有效的 AV 行为。研究表明,该算法可以明显提高生成行为的人类感,同时还发现人类驾驶员在道路上表现出很大的礼貌,即使对于没有优先权的其他人行驶者,而且这种驾驶偏好在不同文化中存在显著差异。
Oct, 2020
基于不同的视觉特征编码器和驾驶行为预测器,我们提出了一种情境感知的驾驶风格模型,可以适应特定司机的驾驶风格,并且在驾驶行为预测中取得了显著的性能优势。
Mar, 2024
使用知识分享和个性化的方式描述了一种学习自动驾驶车辆(AVs)驾驶模型的框架,该模型在多个车辆之间进行知识分享,以提高其在真实世界中驾驶场景的暴露度。该方法通过共同训练一个驾驶模型,同时保留针对每个车辆独特条件和特性的个性化模型,实现了多个车辆之间的协作而无需共享原始数据。该方法在实验模拟中展示了出色的性能,适用于智能交通系统、交通管理和车辆之间的通信等多个交通工程应用领域。
Aug, 2023
自动驾驶汽车技术快速发展,对道路交通安全产生了重大影响,同时也解决了多种复杂的交通问题。为了确保自动驾驶汽车之间以及自动驾驶汽车与人类驾驶员之间的合作互动,本研究提出了一个多阶段的方法,采用共享和关怀的车对车通信策略来加强协同行为。通过进行一项调查来验证自动驾驶汽车的驾驶性能,并可用于一个混合交通案例研究,重点研究人类驾驶员如何对待与他们同时驾驶在同一条道路上的自动驾驶汽车。研究结果表明,采用深度强化学习,自动驾驶车辆获得了接近人类驾驶性能的驾驶行为。在自动驾驶汽车网络中采用共享和关怀的车对车通信可以提高其驾驶行为,促进更有效的行动计划,并增进自动驾驶汽车之间的合作行为。调查结果显示,无法保证混合交通中的安全性,因为我们无法控制人类驾驶员出于自我的行为,如果他们决定与自动驾驶汽车竞争。因此,本研究倡导加强对自动驾驶汽车在公共道路上安全融入的研究。
Dec, 2023
该研究通过实施虚拟现实和交通微模拟集成的实验环境,并在典型和多样化的交通场景下进行测试,提出了驾驶员介入行为的新视角,从而改善自动驾驶在类似情景下的表现,并为人与自动化系统之间的信任关系研究提供了有价值的综合与沉浸式工具。
Dec, 2023
通过对 23 辆特斯拉 Model S/X,2 辆沃尔沃 S90,2 辆路虎 Evoque 和 2 辆凯迪拉克 CT6 车辆装载数据采集硬件进行长期和中期的数据采集,结合 IMU,GPS,CAN 信息和高清视频流分析,探索人类与自动驾驶技术相互作用的全景认识,提取其中可行的研究方式和深度学习的算法,最终为开发自动驾驶做出贡献。
Nov, 2017
在自动驾驶领域,本文提出了一种基于个人驾驶偏好的综合控制系统,以提供个性化的舒适驾驶体验,其中包括基于控制参数的车辆控制器和点击连续性分析,以跟踪容许加速度和任意加速度的规定标准。实验结果表明,该系统可以像人类驾驶者一样操纵无人驾驶汽车,为用户提供高度个性化的自动驾驶体验。
Jan, 2020