重新思考在 NuScenes 中终端到终端自主驾驶的开环评估
自动驾驶最新研究中,终端到终端的全栈自动化日益成为一个有应用前景的研究方向。本文通过深入分析与详细阐述,探究了该问题的更多细节。研究表明,nuScenes 数据集在相对简单的驾驶场景中存在感知信息的低利用率,尤其是包括自身状态在内的整车速度对终端到终端模型的未来路径规划起到主导作用。此外,当前的评估指标无法全面评估规划质量,导致现有基准测试可能产生偏见。为了解决这个问题,我们引入了一种新的度量指标来评估预测轨迹是否符合道路要求。我们进一步提出了一种简单的基准模型,能够在不依赖感知注释的情况下取得有竞争力的结果。考虑到当前基准测试和指标的限制,我们建议学术界重新评估相关研究,并谨慎是否持续追求最新技术将带来令人信服和普适性较强的结论。
Dec, 2023
本文提出了第一个基于机器学习的自动驾驶闭环规划基准测试,介绍了一个数据集、模拟器和规划特定度量的框架。数据集包含来自美国和亚洲四个城市的 1500 小时的人类驾驶数据,模拟器使用反应性代理程序,提供了大量的通用和特定场景的规划度量。
Jun, 2021
探索在自动驾驶机器学习任务中利用轨迹和动态状态信息进行高效数据筛选的研究,提出了在主动学习框架中的轨迹状态聚类和采样方法,旨在降低注释和数据成本同时保持模型性能。研究通过利用轨迹信息引导数据选择,在训练数据中促进多样性,证明了方法在轨迹预测任务中的有效性,使用 nuScenes 数据集展示了与随机采样相比在不同数据池大小上的一致性性能提升,甚至在仅使用 50% 的数据成本下达到次基线位移误差。结果表明,在解决 “冷启动问题” 方面,最初采样典型数据有助于,而随着训练池大小的增加,引入新颖性变得更有益处。通过整合使用轨迹状态信息的主动学习,证明了利用低成本数据筛选策略可以实现更高效和稳健的自动驾驶系统。
May, 2024
nuPlan 提供了第一个大规模实际数据集和评估计划,对于需要精确的短期规划和长期本体预测,现有系统难以同时满足这两个要求,我们提出了一种基于规则的简单而高效的策划方法,从而在 nuPlan 计划挑战中赢得了胜利。
Jun, 2023
通过一个新的闭环评估基准测试 interPlan,本文评估了现有的最先进的规则和学习驱动的规划器,并展示了它们都无法安全地导航 interPlan 场景。同时,本文还引入了一种基于大型语言模型 (LLM) 的行为规划器和基于规则的运动规划器的混合规划器,该混合规划器在我们的基准测试上达到了最先进的性能。
Apr, 2024
本文提出了一种利用深度学习的基于模仿学习的概率驾驶模型,可以综合利用摄像机,激光雷达和雷达的信息来应对各种环境条件和动态障碍物,具有优异的泛化性能。
May, 2020
机器学习已在自动驾驶的感知和预测任务中取代了传统的手工方法,但在规划任务中,基于机器学习的技术采纳速度较慢。本文介绍了世界上第一个真实世界的自动驾驶数据集和基准测试,旨在测试基于机器学习的规划器处理多样化行驶场景并做出安全高效决策的能力。数据集包括 1282 小时来自 4 个城市(拉斯维加斯、波士顿、匹兹堡和新加坡)的多样化驾驶场景,并且具有高质量的自动标记的物体轨迹和红绿灯数据。除了数据集之外,还提供了一个模拟和评估框架,使规划器的行动可以在闭环中模拟,以考虑与其他交通参与者的交互。该研究详细分析了多个基准测试,并研究了基于机器学习和传统方法之间的差距。在 nuplan.org 网站上可以找到 nuPlan 数据集和代码。
Mar, 2024
本研究使用 CARLA 模拟器开发了一个合成数据集,并使用卷积神经网络创建了一种端到端的短期轨迹预测模型,使得自动驾驶汽车能够更好地应对复杂情境,如行人穿越马路,车辆超车等,同时免去了对环境的显式编码。
Jul, 2023
本文提出了一种新颖的端到端架构,该架构接受原始视频输入并输出未来车辆运动轨迹预测,以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置,然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模,从而达到了高精度的未来车辆轨迹预测,实验结果表明,该算法优于目前各种先进模型。
Apr, 2023
在本研究中,我们通过对 16 种物体检测模型在 CARLA 模拟器上的大量实验,首次实证评估了不同检测指标对驾驶性能的预测能力。我们发现 nuScenes 检测得分与驾驶性能的相关性高于广泛采用的平均精度指标,并呼吁谨慎依赖新兴的以规划为中心的指标类别。
Aug, 2023