Jun, 2023

端到端驾驶模型的隐性偏见

PDF
TL;DR通过剔除近乎所有最新方法中的两个偏见，即通过对目标点的强归纳偏见实现侧向恢复和通过多模式路点预测的纵向平均实现减速，在建立一个新的基于结构化深度学习和容易实现的系统中，TF++ 在 Longest6 和 LAV 的基准测试上达到了最好的表现并提升了 14 分驾驶分数。
end-to-end driving systemscarlainductive biaswaypoint predictionsdriving score
发现论文，激发创造
  • 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

  • 驾驶员安全：短期轨迹预测在自动驾驶车辆中的作用

    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

  • 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

  • 通过模仿强化学习教练实现端到端城市驾驶

    通过强化学习教练，我们的端到端自主驾驶智能体实现了与人类专家水平接近的表现，其能够通过鸟瞰图像实现连续的低级别操作，提供可靠的监督信号，从而在 NoCrash-dense 基准测试和 CARLA LeaderBoard 公共路线方面达到了最先进的性能。

    Aug, 2021

  • Bench2Drive：闭环端到端自主驾驶的多能力基准测试

    自动驾驶技术正逐渐进入一个转折点，在数据驱动的方式下，通过端到端自动驾驶 (E2E-AD) 可扩展性，已经出现了一个具备变革性潜力的时代。然而，现有的 E2E-AD 方法主要是通过开环日志重放方式进行评估，使用 L2 误差和碰撞率作为度量标准，但这无法充分反映算法的驾驶表现。为了满足全自动驾驶 (FSD) 的全面、真实和公平的测试环境的首要需求，我们提出了 Bench2Drive，这是第一个在闭环方式下评估 E2E-AD 系统多项能力的基准测试。

    Jun, 2024

  • AMEND: 长尾轨迹预测的专家混合框架

    通过使用专门的专家组合和路由器网络，本研究提出了一种模块化、无模型依赖的轨迹预测框架，不仅在常见情景下取得了最新的性能，而且在长尾场景下显著提高了预测准确性。

    Feb, 2024

  • 一种端到端的汽车轨迹预测框架

    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

  • 深度转向：从时空视觉线索中学习端到端驾驶模型

    本文研究利用低成本车载摄像头进行自主驾驶算法，并通过深度神经网络将原始输入图像直接映射到方向盘角度的视觉模型，提出了一种结合空间和时间线索的模型，有助于解释学习到的模型，通过分析人类驾驶数据，比较了此模型与其他自主驾驶车辆状态先进模型的性能差异。

    Aug, 2017

  • 关于高效训练和验证端到端驾驶模型选择数据的研究

    本文探讨了数据生成与验证方式对深度驾驶模型的训练和性能影响，通过在 CARLA 模拟器上的实验结果提出了数据生成和行车路线选择的建议，以实现高效开发 end-to-end 驾驶模型。

    Jun, 2022

  • 多模态端到端自主驾驶

    本文提出并分析了终端到终端驾驶中，结合 RGB 和深度信息数据的多模态方案，以期提高自动驾驶 AI 模型的性能。通过模拟和条件模仿学习，证明了采用早期融合多模态方案，可以超越采用单模态的性能表现。

    Jun, 2019