May, 2023

自动驾驶中的模拟现实和数字孪生：综述

PDF
TL;DR本文探讨了自动驾驶技术中的安全性和成本问题，并介绍了通过两种技术解决虚拟仿真与实际场景差异带来的问题的研究进展：从仿真到真实场景的知识迁移（sim2real）和数字孪生的学习。同时，对算法、模型、仿真器的最新发展进行了概述，阐述了 sim2real 和数字孪生对自动驾驶领域的深远影响。
autonomous drivingsimulationreality gapsim2realdigital twins
发现论文，激发创造
  • 数字孪生在自主驾驶机动系统中的应用探索 —— 新的移动时代

    本篇论文提供了数字孪生在自主车辆工业中的系统评述，重点强调了准确的数据收集、实时分析和高效的模拟能力，以此来提高性能和可靠性，同时探讨了数字孪生的技术挑战和中心技术，并对在智慧城市中自主车辆所使用的不同方法进行了对比分析，最后讨论了数字孪生在自主车辆行业中的应用挑战和限制。

    May, 2023

  • 利用生成式 AI 模拟自主驾驶在车辆混合现实元宇宙中的应用

    本研究提出一种自动驾驶架构，利用生成式人工智能在模拟中合成无限的特定条件交通和驾驶数据以提高驾驶安全性和交通效率，并通过多任务增强式拍卖机制为道路侧单元提供精细的资源激励。

    Feb, 2023

  • 数字双胞胎：提高自动驾驶测试的效率性的最好途径

    通过引入数字同胞的概念，本研究提出一种新的模拟测试框架，该框架可以在多个通用模拟器上测试自动驾驶软件，并可以计算集成预测失败概率，并将失败仅在同胞之间达成一致时报告。研究结果表明，数字同胞的集成失败预测器优于每个单独的模拟器，可以帮助感兴趣的研究人员进行自动化测试的研究。

    May, 2023

  • 在实际环境中学习高效准确导航

    在自主导航的地面机器人领域，现有的研究大多使用真实感的动力学和感知模型，而本篇论文致力于通过在仿真环境中进行端到端的训练，减小模型在现实机器人平台上的差距，并取得了显著的性能和稳健性的提升。

    Jan, 2024

  • 探索在驾驶数据合成中的生成式人工智能应用

    通过三种不同的生成式人工智能方法应用驾驶模拟器中的语义标签图作为创建真实数据集的桥梁，本文比较分析了这些方法的图像质量和感知能力，产生了包括驾驶图像和自动生成的高质量注释的新合成数据集，证明了扩散式方法可以提供改进的稳定性和解决 Sim2Real 挑战的替代方法。

    Apr, 2024

  • 一种平台不可知的深度强化学习框架，用于自动驾驶中的有效 Sim2Real 迁移

    该论文提出了一种强大的 DRL 框架，该框架利用特定于平台的感知模块来提取任务相关信息，并在模拟中训练车道跟踪和超车代理程序，从而促进了 DRL 代理程序对于新的模拟环境和真实世界的无缝转移并极大地缩小了不同平台之间的差距和模拟与现实之间的鸿沟，从而使训练代理程序在模拟和真实世界中能够高效地驾驶车辆。

    Apr, 2023

  • 基于 Sim-to-Seg 的 Sim-to-Real 方法：无需真实数据的全封闭自主驾驶

    通过使用强化学习技术以端到端的方式处理自主驾驶所需的 3D 场景理解、定位、映射和控制，并利用模拟数据中的 Sim2Seg 技术在模拟器和现实世界之间跨越视觉现实差距进行训练和实验，同时与传统感知和控制技术相比提供同等的性能。

    Oct, 2022

  • 退出仿真：实现大规模强健和韧性自主车辆的道路

    利用模拟系统开发自动驾驶技术，以实现真实世界操作中的鲁棒性。

    Oct, 2022

  • 从基于模型到数据驱动的仿真：自动驾驶中的挑战和趋势

    本研究探讨了自动驾驶汽车仿真实验中的各种挑战及其类型，并总结了当前的解决方案，其中包括数据驱动、生成式方法和高保真数据合成近年来逐渐取代基于模型的仿真。

    May, 2023

  • 一种可扩展和可并行化的数字孪生框架，用于多智能体强化学习系统的可持续的模拟到现实过渡

    本文提出了一种可持续的多智能体深度强化学习框架，能够按需选择性地扩展并行训练工作负载，并利用最小的硬件资源将训练策略从模拟转移到真实环境中。我们引入了 AutoDRIVE 生态系统作为一种使合作和竞争的多智能体强化学习策略能够从模拟环境转移到现实环境中进行训练、部署和传输的数字孪生框架。在研究中，我们首先探讨了 4 个合作车辆（Nigel）在单个智能体和多智能体学习环境中共享有限状态信息时的交叉路口问题，并采用了共同的策略方法。然后，我们使用个体策略方法研究了 2 辆车（F1TENTH）的对抗自主赛车问题。在实验中，我们采用了分散式学习架构，能够在不确定性环境中进行稳健的策略训练和测试。智能体只能观察到有限的观测空间，并且只能采样满足运动动力学和安全约束的控制动作。我们以定量指标和定性评述的方式报告了两个问题陈述的实验结果，包括训练和部署阶段。我们还讨论了用于加速多智能体强化学习训练的智能体和环境并行化技术，并分析了它们的计算性能。最后，我们使用提出的数字孪生框架展示了从模拟环境到真实环境中训练策略的资源感知过渡。

    Mar, 2024