本文提出了一种基于自动生成的安全关键场景进行自动驾驶算法测试的基于生成模型的架构,并进行了针对几个不同场景的实验以证明其效率优于网格搜索或人工设计方法,并且适应性强。
Mar, 2020
该研究提出了一种基于流的多模态安全关键场景生成器用于评估决策算法的鲁棒性,并使用六个强化学习算法进行实验,从而得出了它们的鲁棒性。
Sep, 2020
通过融合多个替代模型并优化其组合系数以增强评估效率,我们开发了一种自适应测试环境,通过采用二次规划将优化问题表达为回归任务,并利用强化学习方法高效获取回归目标,实现了加速评估的效果验证。
Feb, 2024
本研究探讨了如何通过预测来约束探索,从而实现强化学习在自动驾驶中的安全学习。
Sep, 2019
利用反向正则化混合离线 - 在线强化学习模型同时学习真实世界和模拟数据来生成自动驾驶测试场景,实现更高效的 AV 测试和更准确的风险评估。
Feb, 2023
本文介绍了 AdvSim,这是一个对任何基于 LiDAR 的自主系统生成安全关键场景的对抗性框架,通过直接从传感器数据模拟获取针对全自主栈的安全关键场景。
Jan, 2021
自主车辆需要行驶超过 110 亿英里以确保其安全性。因此,在进行真实世界测试之前进行模拟测试的重要性是不言而喻的。近年来,以 Carla 和 CarSim 为代表的自主驾驶三维模拟器的发布,标志着自主驾驶模拟测试环境从简单的 2D 俯视图过渡到复杂的三维模型。本论文提出了一个基于深度强化学习的自动生成程序的框架,该框架可以生成不同的二维地面脚本代码,用于构建三维模型文件和地图模型文件。生成的三维地面场景在 Carla 模拟器中显示,实验者可以使用该场景进行导航算法模拟测试。
Jul, 2024
为了确保机器人等自主车辆的广泛部署,本文提出了一种新的闭环范式用于综合安全控制策略,明确考虑系统在可能的未来情景下的演变不确定性,通过物理动力学和机器人的学习算法共同推理,利用对抗深度强化学习进行放大,展示了该框架能够处理贝叶斯信念传播和大规模预训练神经轨迹预测模型引起的隐式学习。
Sep, 2023
提出了一种自我完善的人工智能系统,通过黑盒验证方法,增强基于强化学习的自主驾驶代理的安全性能。在发现自动驾驶失败情况后,RL 代理的训练通过迁移学习重新初始化,以改善先前不安全的情况的表现
Oct, 2022
使用现代化驾驶模拟器,提出检测和生成测试方案的有效机制,通过量化方案复杂度的度量标准来定义基于避免事故的复杂度度量标准,并对未来的自动驾驶车辆进行改进提供了洞见。
Mar, 2021