通过控制和感知的不确定性最小化,在非结构化环境中进行安全导航
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
在人行道密集的环境中,安全、符合社会要求且高效的低速自主车辆的导航需要考虑行人的未来位置以及与车辆和其他人的互动。本研究提出了一种集成预测和规划方法,该方法在模型无关的深度强化学习算法的训练中考虑了预测的行人状态的不确定性。通过引入一种新的奖励函数,该方法促使自主车辆尊重行人的私人空间,在接近行人时减速,并最小化与其预测路径的碰撞概率。结果显示,与不考虑预测不确定性的最先进的模型相比,本方法降低了 40% 的碰撞率,并增加了 15% 的与行人的最小距离。此外,该方法在性能和计算时间方面超过了采用相同预测不确定性的模型预测控制方法,并产生了更接近于人类驾驶员在类似场景中的轨迹。
May, 2024
通过将模型驱动控制与基于学习的感知相结合,本研究提出了一种适用于未知场景下机器人导航的方法,实验结果表明,相比于几何映射和终端学习方法,该方法在处理复杂环境下的目标到达更加可靠和高效。本方法不依赖于对环境的详细、明确的 3D 地图,适用于低帧率,且具有良好的仿真到真实世界的泛化性能。
Mar, 2019
本研究提出了一种可伸缩的无需人类监督的自我监督遍历性学习框架,该框架可从车辆 - 地形交互中直接学习遍历性,它还使用适当的控制策略来进行不同车辆的自适应导航。
Sep, 2022
METAVerse 是一个元学习框架,通过利用多环境驾驶数据训练一个全局模型,从稀疏的 LiDAR 点云中生成稠密连续值的成本地图来准确可靠地预测不同环境下的地形可通行性,结合模型预测控制器,实现了在结构化和未知地形上安全稳定的导航。
Jul, 2023
利用感知地图控制自主车辆的问题,设计针对该感知方案的闭环系统安全集和稳健控制器,方法是从复杂和非线性的数据中提取一些与状态相关的线性函数预测值,并在适当的稠密状态空间采样下学习参数,以获得有利的泛化性能。在合成示例和 CARLA 的自动驾驶模拟平台上验证了该方法的实用性。
Jul, 2019
使用感知映射通过学习获取状态估计的感知控制,通过量化感知映射的估计不确定性并将这些不确定性表示整合到控制设计中,采用符合预测来计算有效的状态估计区域,从而设计采用自我触发控制思想的取样数据控制器,以避免使用随机微积分并在具有李达(LiDAR)能力的 F1 / 10th 汽车中演示了控制器的有效性。
Apr, 2023
本研究提出了一种基于 Hamilton-Jacobi 可达性的实时安全分析方法,该方法可以在未知的环境下为自主车辆提供强有力的安全保障。
May, 2019