Mar, 2023

一种车辆跟随的主动推断模型：优势和应用

PDF
TL;DR该研究提出了使用主动推理的一种新型车辆跟随建模方法，该方法具有与数据驱动的模型相当的行为灵活性，同时保持可解释性。通过基准分析，该模型被证明可以显着地预测驾驶控制，并表明需要进一步研究以建立行驶风格并利用更多样化的数据集进行模型训练。
driver process modelsactive inferencedriving datasetbehavioral flexibilityinterpretability
发现论文，激发创造
  • 即时解决不确定性：将自适应驾驶行为建模为主动推理

    基于主动推理（active inference）的模型提供了一个基于最小化预期自由能的单一目标函数来处理目标追求和信息追求（解决不确定性）行为，从而无缝解决不确定性，实现类似人类的适应性驾驶行为。

    Nov, 2023

  • ADriver-I: 无人驾驶的通用世界模型

    基于多模态大语言模型和扩散技术，我们提出了一种自主驾驶世界模型 ADriver-I，该模型以交织的视觉 - 动作对为基础，能够预测当前帧的控制信号，并使用历史的视觉 - 动作对和生成的控制信号来预测未来的帧，通过无限反馈循环，ADriver-I 实现了自主驾驶。我们通过在 nuScenes 和大规模私有数据集上进行广泛实验，证明了 ADriver-I 在性能上的卓越表现，希望该模型能为未来自主驾驶和具身智能提供新的洞见。

    Nov, 2023

  • 基于像素的离散控制深度主动推理：在汽车赛车问题上的评估

    本研究探讨了在没有接触到车的状态的情况下，使用深度主动推理（dAIF）代理在 OpenAI 的赛车基准测试中的表现，并通过无监督表示学习来学习状态推断和控制，结果表明我们的模型达到了与深度 Q 学习相当的性能，但与其他一些世界模型方法相比，vanilla dAIF 没有达到最先进的性能，本文讨论了当前模型实现的局限性和克服它们的可能架构。

    Sep, 2021

  • 自主驾驶的基于行动的表示学习

    该研究探讨了利用人类驾驶产生的数据对自动驾驶系统进行改进的方法，提出了利用基于行动的驾驶数据进行学习表示的模型，该模型在弱注释图像方面表现出色，并且优于纯粹的端到端驾驶模型，同时更具有可解释性。

    Aug, 2020

  • 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

  • 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

  • 通过学习端到端的视觉关注来解释自动驾驶

    通过使用注意力模型来提高 CARLA 驾驶模拟器的性能，同时通过模仿学习训练代理人来解释自动驾驶中深度学习无法解释的决策问题。

    Jun, 2020

  • 引导端到端驾驶模型的注意力

    通过使用显著语义地图进行训练期间添加损失项，引导注意力可以改善自动驾驶模型的驾驶质量，并获得更直观的激活图，特别是在数据和计算资源有限的情况下。

    Apr, 2024

  • 自主智能软件开发

    AIDA 是一种自主智能开发代理人，利用语义知识图推理软件需求规范，生成满足要求的代码并且随着写代码学习和提高效率。

    Aug, 2022

  • 基于主动推理的机器人手臂新型自适应控制器

    本文提出了一种新型的主动推理控制器 (AIC)，它是一种适用于工业机器人的自适应控制方案，能够应对大型模型不确定性，同时还能在大型未建模动态的情况下保持高性能。该方法基于主动推理，从控制角度推导出的模型无关的控制定律，能够比目前最先进的模型参考自适应控制器 (MRAC) 更好地适应性，提供了一种更为通用的控制定律，这证实了主动推理对机器人控制的相关性。

    Sep, 2019