利用风险模型进行复杂驾驶情况下的重要性筛选

Mar, 2023

利用风险模型进行复杂驾驶情况下的重要性筛选

Importance Filtering with Risk Models for Complex Driving Situations

Tim Puphal, Raphael Wenzel, Benedict Flade, Malte Probst, Julian Eggert

TL;DR本文介绍了自动驾驶汽车的重要性过滤问题，并提出使用风险模型来过滤不重要的代理的解决方案。通过大规模实验证明，使用新型轨迹距离算法可以平衡系统性能，鲁棒性和效率。同时，本研究还提出了一种多重滤波器结构，采用多个过滤步骤，并为每个步骤推荐风险模型，以进一步提高系统鲁棒性。

Abstract

self-driving cars face complex driving situations with a large amount of agents when moving in crowded cities. However, some of the agents are actually not influencing the behavior of the self-driving car. Filtering out unimportant agents would inherently simplify the behavior or motio

self-driving cars importance filtering driving risk models trajectory distance filter architecture

发现论文，激发创造

重要性在于你的关注：自动驾驶的代理重要性预测

本文提出了一种使用关注机制模型中的注意力信息来度量每个代理对自我车辆未来计划轨迹的重要性的方法，并在 nuPlans 数据集上进行的实验证明了这种方法可以有效地找到并排名周围代理的影响。

Apr, 2022

自主导航的代理优先级

提出一种实时排名系统，通过仿真运行规划器并记录各种规划器活动的结果自动生成一个代理编排数据集，并结合卷积神经网络和领域知识工程特征，用于实现在自主导航中智能代理编排。

Sep, 2019

道路行驶视频中物体重要性估计的交互图

本文提出一种用交互图和图卷积进行物体重要性估计的新框架，以帮助更好地理解人类驾驶行为并实现更可靠的自动驾驶系统。实验结果表明，该模型具有比现有基线模型更好的性能。

Mar, 2020

面向分布感知的自主驾驶安全目标预测和符合模型规划

本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。

Dec, 2022

引入风险遮蔽以实现决策和舒适行为规划

我们研究城市驾驶中的团体互动问题，提出了一种情景理解方法 —— 风险遮蔽，该方法通过分析三个代理之间的团体互动，使自动驾驶汽车能够制定更明确、更舒适的驾驶策略，同时确保安全性。

Jul, 2023

半监督学习在自动驾驶中的重要目标识别

本文提出了一种基于二元分类、关系推理和半监督学习的重要物体识别方法，可用于智能车辆在复杂动态环境下的安全导航，并在公开数据集上得到验证。

Mar, 2022

自主驾驶的安全多智能体强化学习

本文介绍了一种利用深度强化学习解决自动驾驶问题的方案，不同于其他机器人任务，自动驾驶需要确保功能安全和在多个智能体情境下执行正确的决策，其中的主要挑战包括如何处理多个智能体的不确定行为，以及如何在 “Desires” 策略和难以控制的路径规划之间实现平衡。

Oct, 2016

具有社交感知的自动驾驶汽车的行为规划

本研究提出了一种基于社会感知方案的自主驾驶决策模块，在该模块中，利用所有可用信息并恰当地处理不确定性问题，将社会感知的更新信念明确地纳入了基于 MPC 的概率规划框架中，以此实现了防御但不过于保守且社会兼容的驾驶策略。

May, 2019

深度结构反应规划

通过深度结构模型的数据驱动反应式规划目标，允许自动驾驶车辆在制定自己的计划的同时，联合推理其他参与者的行为，能够更快地完成高度复杂的机动（道路合并 / 拐弯），而不会牺牲碰撞率，比非反应式情况更具优势

Jan, 2021

自主车辆的决策制定：基于交互感知行为预测和社交关注神经网络

自主车辆在交通中需要与人类驾驶员互动来完成任务，因此装备自主车辆具备人工推理以更好地理解周围交通的意图，从而促进任务完成。本文提出了一种行为模型，将驾驶员的互动意图编码为潜在的社会心理参数，并设计了基于贝叶斯滤波器的递进视界优化控制器以考虑互动驾驶员意图的不确定性，同时采用基于注意机制的神经网络架构来模仿行为模型和在线估计参数先验，并提出决策树搜索算法在线解决决策问题。本文对所提出的行为模型进行了真实世界轨迹预测能力的评估，并在模拟环境和真实世界交通数据集中进行了强制公路合并场景的决策模块的广泛评估，结果表明我们的算法能够在各种交通条件下完成强制合并任务并确保驾驶安全。

Oct, 2023