Mar, 2023

机器学习用于自动车辆导航的车辆侧向控制

PDF
TL;DR本研究通过使用随机森林和深度神经网络来设计一个车辆的横向控制器，并通过预测和控制其信心 / 不确定性来处理它在操作中的不确定性和保证操作安全性，而相对于深度神经网络，基于随机森林的控制器在极少量标记数据的条件下具有更好的泛化能力，并能够在另一个类似的赛道上驾驶，即使在深度神经网络控制器无法驾驶的情况下，同时设置阈值，当控制器不安全时可采取适当的控制措施。
发现论文，激发创造
  • 自信驾驶的自动化人工智能控制器：具备不确定性知识的车辆转向

    在与真实世界进行接口的安全关键系统中，决策中的不确定性在机器学习模型中起着关键作用。本研究重点研发了一种使用机器学习框架的车辆横向控制系统，特别采用贝叶斯神经网络（BNN）来处理不确定性量化，该能力使我们能够评估模型预测的置信水平或不确定性。经过模拟数据训练的 BNN 控制器在单个轨道上测试以及其他各种轨道都表现出了适应和有效控制车辆的能力。通过建立置信阈值，我们可以触发手动干预，确保在算法操作超出安全参数范围时控制权可以被剥夺。

    Apr, 2024

  • 利用随机森林学习模型预测控制的残差模型，以实现自动驾驶

    提出了一种分层学习残差模型，并应用于自动驾驶中的学习型模型预测控制，结果表明相比于高斯过程非线性模型预测控制，该方法在保持更低计算消耗的同时，实现了更好的跟踪精度。

    Apr, 2023

  • 具有模型不确定性估计的安全强化学习

    使用 MC-Dropout 和 Bootstrapping 方法来提高安全驾驶机器人的模型稳定性，实现在未知数据情况下的碰撞回避。

    Oct, 2018

  • 端到端自动驾驶控制的统计保证下的不确定性量化

    本论文提出了一种基于最先进的模拟器的框架，以评估端到端 Bayesian 控制器，实验评估了不同场景下用于避碰的不确定性计算的质量并表明不确定性估计可大大帮助自动驾驶车辆的决策。

    Sep, 2019

  • 面向安全自主驾驶：捕获深度神经网络中激光雷达三维车辆检测的不确定性

    为了保证自动驾驶汽车在公共道路上行驶安全，本文提出了一种基于 Lidar 点云的三维汽车探测器的概率检测方法，可以可靠地表示分类和定位任务中的外在和内在不确定性，并通过建模内在不确定性来提高检测精度 1％- 5％。

    Apr, 2018

  • 面向长尾预测不确定性感知的自动驾驶车辆轨迹规划

    本篇论文提出了一种轨迹规划器，使用深度学习技术建立预测模型，通过集成网络结构来估计模型不确定性，并设计轨迹规划器以考虑出现的最坏情况，从而可以提高自动驾驶在现实世界中长尾数据分布情况下的安全性和可靠性。

    Jul, 2022

  • 结合机器学习和基于规则的算法的安全关键决策制定和控制框架

    本文提出了一个决策控制框架，将基于规则的技术和基于机器学习的技术结合起来，解决了安全性和多重要求的问题，在自动驾驶中得到了应用。

    Jan, 2022

  • 端到端控制的空间不确定性采样

    本文提出了一种利用特征映射相关性估计不确定性的贝叶斯神经网络用于端到端控制，该方法在传统元素级 dropout 方法上实现了更好的模型拟合和更紧密的不确定性估计。

    May, 2018

  • 自动驾驶基于强化学习和深度学习的车辆横向控制

    本文研究基于深度学习和强化学习方法的视觉自主驾驶技术，提出了一种将视觉控制系统拆分为感知模块和控制模块的方法，并针对数据效率提出了基于 TORCS 的深度强化学习模拟环境。实验结果表明，感知模块表现良好，控制器实现了对车辆的良好控制。

    Oct, 2018

  • 使用不确定性估计的强化学习在交叉路口的战术决策中

    本研究探讨了如何使用贝叶斯强化学习方法和散置神经网络来解决交叉路口自主驾驶情景下的决策问题，训练出的系统可以估计可靠性并识别未知情境中的危险，其性能远超标准的基于深度 Q 网络的决策系统。

    Jun, 2020