Jan, 2023

用基于能量模型控制转向

PDF
TL;DR本研究对比了使用隐式行为克隆的基于能量模型和明示基线方法在同一神经网络骨干结构下对真实自动驾驶汽车转向控制的表现，结果显示能量模型在安全驾驶干预方面表现类似，但会导致更高的颤动。问题的解决需要使用两种方法改善平稳性。与简单回归相比，能量模型在处理多模态方面略微更好，但这并没有显著提高驾驶能力，因此将隐式行为克隆应用于实际任务仍有挑战性。
发现论文，激发创造
  • 隐式行为克隆

    在机器人策略学习中，使用隐式模型的监督策略学习通常表现更好，这种策略不需要奖励信息，可以学习复杂的行为，并能够在具有高度组合复杂性和毫米级精度要求的任务中学习人类示范的复杂行为。

    Sep, 2021

  • 再探能量模型作为策略：排序噪声对比估计和插值能量模型

    通过引入排名噪声对比估计（R-NCE）、可学习的负采样器和非对抗联合训练等关键因素，我们证明了高维连续空间中能量模型在训练时并不是不切实际的，我们的训练算法使能量模型作为策略在多模态路径规划和有接触力量推动等难度较高的基准测试中与扩散模型和其他最先进方法相竞争甚至表现更好。

    Sep, 2023

  • 探究自动驾驶行为克隆的局限性

    本文介绍一种新的基准测试，以探究行为克隆的可扩展性和限制性，结果表明，行为克隆在复杂的驾驶情况下拥有先进的成果，但是仍存在数据集偏差和过度拟合的问题，缺乏因果模型和培训不稳定性导致进一步的研究需要进行。

    Apr, 2019

  • 增强型环境损失自动驾驶车辆行为克隆

    该论文提出了两种损失函数（社交损失和道路损失），用于模拟路径规划中的风险社交互动，从而实现更好的驾驶安全性和行为克隆效果。

    Feb, 2022

  • 能源高效驾驶行为与应用最新人工智能方法的范围性审查

    该研究通过广泛的文献综述，分析了影响能源消耗的驾驶行为因素和最先进的方法，并给出了包括能源高效驾驶风格特征、推荐的九种能源高效驾驶风格以及为不同类型的驾驶员和雇主提供的两个主观建议。

    Mar, 2024

  • 基于能源的潜力博弈用于联合运动预测与控制

    利用博弈论作为数学框架，解决多智能体运动预测与控制中的交互建模问题。通过建立微分博弈、最优控制和基于能量的模型之间的联系，提出了基于能量的潜力博弈的统一方法，并介绍了结合神经网络进行博弈参数推断的端到端学习应用，该应用具有可解释性并通过两个模拟实验和两个真实驾驶数据集证明了其对各种神经网络模型的预测性能的改善。

    Dec, 2023

  • 自动驾驶端到端中速度和延迟的应对

    行为克隆方法在端到端驾驶中的应用，通过收集专家驾驶数据集，模型学习猜测专家在不同情况下会做出什么行为，并表现为低级或中级指令和轨迹。研究发现驾驶速度的差异和延迟会影响模型的性能，同时提出了改变目标标签以减轻延迟影响的解决方法。

    Dec, 2023

  • 基于能量模型的模型规范化计划

    本研究讨论利用学习到的动力学模型进行规划，并提出使用环境状态转换的能量估计来规范该模型以实现样本有效学习，结果表明该方法可以在几分钟的经验中实现具有竞争力表现的学习。

    Oct, 2019

  • 关于多智体互动的微分博弈、最优控制和能量模型之间的关联

    该研究论文提出了一种基于能量的潜在博弈模型，通过整合神经网络和可微分博弈论优化层，应用于机器人交互中，显示了改进神经网络预测性能的实证结果。

    Aug, 2023

  • 能量基模型中的隐式生成和泛化

    本文介绍了一些在连续神经网络上训练 MCMC 的能量基础模型的技术，在许多高维度数据域上，如 ImageNet 和 CIFAR-10, 它们的样本表现优于其他可能性模型，并接近当代生成对抗网络 GAN 的表现，同时覆盖所有数据模态。此外，作者还阐述了基于 EBM 的独特能力，如组合性和损坏图像的重建和修复，最后证明 EBMs 模型是跨多种任务有用的模型，进而实现了最先进的超出分布分类、对抗性稳健分类、在线连续类学习和连续长期预测轨迹

    Mar, 2019