May, 2023

KARNet: 自主驾驶任务中学习世界模型的卡尔曼滤波增强循环神经网络

PDF
TL;DR本文提出了一种基于卡尔曼滤波增强的递归神经网络架构，通过前向摄像头图像学习交通流的潜在表示，结果表明在端到端学习中加入车辆的显式模型（使用卡尔曼滤波估计状态）可以显著提高性能。
autonomous drivingmachine learningdeep learningphysics-infused neural networkkalman filter
发现论文，激发创造
  • 高维深度特征空间中因式分解推断的递推卡尔曼网络

    本文提出了一种名为 RKN 的循环卡尔曼网络，它可以在不使用其他近似方法（如变分推断）的情况下，使用反向传播直接学习高维因式分解潜在状态表示，从而具有能够精确估计不确定性的能力，并在图像插值任务中优于多种生成模型。

    May, 2019

  • 基于物理嵌入的神经网络车辆模型及其在风险感知自动驾驶中的应用

    本文使用全可微分物理模型与深度学习相结合，提出了一种汽车非完整动力学建模方法，相比于普通神经网络模型，本方法有更好的广义泛化性能，使用其提取出的潜在特征，可以准确地描述车胎侧向力，同时，在两个自动驾驶任务中，基于该潜在特征的风险感知模型预测控制器能够在未知摩擦力下优于基准控制框架。

    Jul, 2022

  • 改进的扩展卡尔曼滤波器用于神经网络模型的在线自适应，用于可定制和可转移驾驶行为预测

    本文针对自动驾驶车辆中人的驾驶行为的随机性，异质性和时变性构成的挑战，将 $ au$ 步的改进的扩展卡尔曼滤波参数适应算法应用于驾驶行为预测任务，使用观察到的轨迹给出反馈，并通过对基于神经网络的模型进行改进，提出了一套新的度量标准来系统评估降低不同个体和情况的预测误差的在线适应性能，同时还提供了有关模型最佳层和观察步骤的经验研究。

    Dec, 2021

  • 具有潜在深度强化学习的可解释端到端城市自主驾驶

    该研究提出了一种解决复杂城市场景下的自动驾驶问题的可解释性深度强化学习方法，在学习过程中引入了序贯潜在环境模型，并生成了语义鸟瞰遮罩，以解释学习策略的行为。实验结果显示，该方法在城市场景中的表现优于 DQN、DDPG、TD3 和 SAC 等基线模型。

    Jan, 2020

  • 强化端到端自动驾驶与潜在世界模型

    我们提出了一种自我监督的方法，通过潜在世界模型来预测未来的潜在特征，从而提高无需昂贵标签的端到端驾驶性能。

    Jun, 2024

  • 缩放机器人车辆的建模、定位和深度强化学习路径跟踪控制：设计与实验验证

    移动机器人系统中，提出了一种分散拓展的扩展卡尔曼滤波器和一种通过专家演示器训练的强化学习路径跟踪控制器的新颖方案，实验结果表明，FEKF 能够改善移动机器人位置的估计，AI 解决方案能够胜过基于模型的控制策略和演示器，同时通过一系列性能指标对比评估与基准控制器。

    Jan, 2024

  • 深度动力学：基于物理知识的神经网络车辆动力学建模

    该研究论文介绍了一种用于模拟自动赛车车辆动力学的物理知识神经网络（PINN），它通过物理系数估计和动力学方程准确预测高速下的车辆状态，并包含了一个独特的物理约束层来确保内部系数估计保持在其标称物理范围内，相关实验表明该方法对于建模赛车车辆动力学具有良好的潜力。

    Dec, 2023

  • 自主驾驶的深度强化学习框架

    研究利用深度强化学习提出了一个用于自动驾驶的框架，其中包含了包含循环神经网络的信息集成和关注模型用于减少嵌入式硬件的计算复杂度，并在 TORCS 仿真器中验证了其自主操纵能力

    Apr, 2017

  • 利用潜在状态推断和时空关系实现自主驾驶的强化学习

    本文介绍了利用深度强化学习和图神经网络，结合编码潜在状态和空间 - 时间关系的方法解决自动驾驶场景下规避横穿车辆的难点，实现了显著性能提升。

    Nov, 2020

  • 端到端深度强化学习实现车道保持辅助

    本文提出了不同的深度强化学习方法用于自动驾驶，分别包括离散行动类别中的深度 Q 网络算法 (DQN) 和连续行动类别中的深度确定性演员 - 评论家算法 (DDAC)，并在 TORCS 模拟器中测试了其性能。

    Dec, 2016