最近几年,在自动驾驶领域取得了重大进展,旨在提高安全性和效率。然而,专注于半挂车辆的研究相对较少。由于物理特性和铰接连接,这些车辆需要定制的模型。通过使用高保真模拟软件 CARLA 和几个环形交叉口场景,本研究开发了卡车和挂车模型,并建立了基准数据集。使用双 q 软件参与者算法,我们训练了一个准端到端的自动驾驶模型,在不同的环形交叉口上能够达到 73% 的成功率。
Jan, 2024
通过马尔可夫决策过程,使用 GFlowNets 作为交通路网生成器实现了将事故道路链接到环形交叉口,比其他相关方法拥有更好的多样性和高有效性得分。
Oct, 2023
本文提出了一种基于博弈理论模型的决策算法,用于自动驾驶汽车控制来应对环形路口的交通。该算法可以通过在线估计对手车辆的驾驶模式来对其进行调整。
Oct, 2018
研究采用深度强化学习算法,设计了行驶状态、行动空间和奖励函数,评估了 Deep Deterministic Policy Gradient (DDPG),Proximal Policy Optimization (PPO) 和 Trust Region Policy Optimization (TRPO) 等算法在自动驾驶通过环形道路方面的表现,并建立了评估方法,实验结果表明 TRPO 算法在安全性和效率方面优于 DDPG 和 PPO,而 PPO 在舒适水平方面表现最佳,审视了模型对其他驾驶场景的适应性和稳健性。
Jun, 2023
通过驾驶模拟器研究,探讨了基于基础设施的警告系统在改善交通安全和减少事故风险方面的作用,结果显示提前发出警告可以显著提高安全性。
Dec, 2023
我们研究了环城路口的生态驾驶在混合交通中如何提高交通流量和交通效率。我们发展了基于规则和基于强化学习的两种生态驾驶系统,并通过对比它们的性能发现,强化学习并没有明显优势,尤其是在高交通量或低连接车辆渗透率下。
May, 2024
通过使用数据驱动的无监督机器学习对德国三个环岛的混合交通环境中的驾驶行为进行分类研究,结果显示大部分通过环岛的驾驶员可以被归类为保守型和正常型两种驾驶风格,而与行人或骑行者发生交互的驾驶员表现出不正常的行为,这可能增加了多模式交叉口发生事故的风险。该研究的结果对道路安全和先进驾驶辅助系统(ADAS)的发展具有重要意义。
Sep, 2023
评估车辆转台的性能,研究人类驾驶员与转台的互动。研究表明,环岛能显著减少交叉口的速度,车辆接近速度和其对速度的影响取决于道路用户的评级。本研究重点关注(公交车、汽车、卡车)的驾驶员,并将他们的行为分为保守型、正常型和激进型。研究旨在研究环岛对这些分类器的影响,并开发一种预测交叉口道路用户行为的方法。
基于点云信息,本文提出了一种生成真实道路表示的新方法,无需 LiDAR 传感器、安装位置、里程计数据、多传感器融合、机器学习或高精度校准,基于 OpenDRIVE 格式进行评估。
使用实际场景进行闭环传感器模拟以评估自主性能,通过优化车辆形状来研究场景外观变化对自主性能的影响。
Nov, 2023