Jun, 2023

自主车辆视觉路径导航的一次学习

PDF
TL;DR本文提出了一种新颖的深度神经网络模型，利用图像转向路径导航，并加入一次性学习来处理数据问题，可以在只展示一次路径并且无需重新训练模型的情况下自主驾驶车辆。与其他候选架构比较后，通过车内和离线测试来验证了该模型的性能。
autonomous drivingdeep learningimage-to-steering navigationone-shot learningcandidate architectures
发现论文，激发创造
  • 变分端到端导航和定位

    通过扩展端到端驾驶网络、定义新颖的可变网络，将深度学习应用于自动驾驶领域，使自动驾驶汽车在没有 GPS 数据的情况下能够执行点对点导航和概率定位，同时给出了汽车可能采取行动的完整概率分布，并能够在观察到的视觉道路拓扑图和地图之间建立的对应关系基础上，进行粗略姿势定位。

    Nov, 2018

  • 通过学习端到端的视觉关注来解释自动驾驶

    通过使用注意力模型来提高 CARLA 驾驶模拟器的性能，同时通过模仿学习训练代理人来解释自动驾驶中深度学习无法解释的决策问题。

    Jun, 2020

  • 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

  • 自主导航深度学习应用和方法的最新进展 —— 一份综述

    本综述论文系统地总结了目前应用于自主导航中的端到端深度学习框架，包括障碍物检测、场景感知、路径规划和控制，并分析了最新的研究状况和评估深度学习方法的实施和测试。该论文强调了导航对于机动机器人、自动驾驶车辆和无人机的重要性，并讨论了深度学习方法在自主导航中存在的局限性、挑战和潜在增长领域。该综述为在自主导航和深度学习领域工作的研究人员和实践者提供了有价值的参考资源。

    Feb, 2023

  • 无人驾驶汽车的端到端学习

    使用卷积神经网络实现端到端的无人驾驶系统，自动学习所需处理步骤的内部表示，以及如何检测车道等相关功能优化，最终将导致更好的表现和更小的系统

    Apr, 2016

  • 使用端到端深度模仿学习的敏捷自主驾驶

    我们提出了一种使用低成本传感器进行敏捷越野自主驾驶的端到端模仿学习系统，通过模仿配备高级传感器的模型预测控制器，我们训练了一个深度神经网络控制策略，将原始的高维观测映射到连续的转向和油门命令，这个方法不需要状态估计或实时规划来导航车辆，并通过在线模仿学习克服了协变量漂移方面的挑战，实现了成功的高速越野行驶，匹配了最新的性能水平。

    Sep, 2017

  • 使用深度卷积神经网络进行自动驾驶的多模态轨迹预测

    自动驾驶系统面临着交通行为不确定性高等问题，本文提出了基于深度卷积神经网络的多轨迹交通演算方法，能够精确地预测交通行为并评估它们的概率，此方法也已成功应用于自动驾驶车辆中。

    Sep, 2018

  • DeepNav: 学习在大城市中导航

    DeepNav 是一个基于卷积神经网络（CNN）的算法，使用城市街景图像实现导航；使用 10 个城市图形和超过 100 万个街景图像组织的数据集，提出了 3 种监督学习方法，并表明可以使用 A * 搜索在城市图中生成学习的监督。

    Jan, 2017

  • 复杂动态环境下的多模态传感器融合概率端到端车辆导航

    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

  • 基于条件模仿学习的端到端驾驶

    本文提出了一种基于高层指令输入的条件性模仿学习方法，使得经过训练的车辆在测试时间内仍然能够遵循导航指令，本文在仿真实验和机器人卡车实验中对各种条件性模仿学习架构进行了评估和实践。

    Oct, 2017