基于时空热力图的模仿学习:NuPlan 挑战赛第二名方案
通过学习驾驶员示范,我们提出了一种可解释神经规划器,用于回归热力图,有效代表自主车辆在鸟瞰图中的多个潜在目标,以解决现实场景中存在的多个可接受计划问题,并通过使用负高斯核来加强热力图回归的监督学习,从而提高碰撞回避效果。我们在 Lyft 开放数据集上的系统评估表明,与之前的工作相比,我们的模型在多样的真实驾驶场景中实现了更安全和更灵活的驾驶性能。
Sep, 2023
基于模仿的驾驶规划者在最近几年取得了相当大的成功。然而,由于缺乏标准化的基准,各种设计的有效性仍然不清楚。新发布的 nuPlan 解决了这个问题,提供了一个大规模的真实世界数据集和一个标准化的闭环基准,以便进行公平比较。利用这个平台,我们对两个基本但尚未充分探索的方面进行了全面研究:自我规划的基本特征和减少复合误差的有效数据增强技术。此外,我们还强调了当前学习系统忽视的模仿差距。最后,结合我们的发现,我们提出了一个强大的基准模型 - PlanTF。我们的结果表明,一个经过精心设计的纯模仿规划者可以在与包含手工规则的最先进方法相比具有高度竞争力的性能,并在长尾案例中展示出卓越的泛化能力。我们的模型和基准可供公开使用。项目网站:https://this URL
Sep, 2023
本文介绍了一种分层的模仿学习方法,包括一个高层次基于网格的行为规划器和一个低层次的轨迹规划器来增强神经网络的可靠性和稳定性。该方法可以被嵌入到基于规则的架构中,且在封闭回路仿真和实际驾驶测试中表现卓越,特别适用于复杂的城市自动驾驶场景。
Mar, 2023
自主车辆的一个关键挑战是准确预测周围环境中其他物体的运动,本研究开发了一种新颖的自主车辆运动预测方法,使用基于神经网络的模型为自主车辆附近的每个交通参与者预测多个热力图,并对比了不同编码器、解码器和损失函数,并引入了一种新的网格缩放技术,在 3 秒的预测区间内改进了现有方法的性能,并在更长的预测区间(最长为 8 秒)保持竞争力,评估使用的是 2022 年公开的 Waymo 运动挑战数据集。
Oct, 2023
通过使用环境中富含地图的车道中心线来提高多模态、长期车辆轨迹预测方法的准确性,实现了汽车行驶的目标方向建模,生成一组已提议的车辆目标路径,并将其用作空间锚点,进而预测基于目标的轨迹和对目标的分类分布,在 6 秒的预测角度内,在内部驾驶数据集和公共 nuScenes 数据集上实验结果表明,该模型的性能优于先进的车辆轨迹预测方法。
Sep, 2020
本文提出了一种神经运动规划器 (NMP),用于在复杂的城市场景中学习自主驾驶,包括交通灯处理、让路和与多个道路用户的交互。通过输入原始的 LIDAR 数据和高清地图,NMP 生成可解释的中间表示形式,以及定义了自动驾驶汽车在规划范围内可以采取的每个位置的良好程度的成本体积。最后,本文的实验结果表明,学习成本体积可以生成比所有基线更安全的规划。
Jan, 2021
机器学习已在自动驾驶的感知和预测任务中取代了传统的手工方法,但在规划任务中,基于机器学习的技术采纳速度较慢。本文介绍了世界上第一个真实世界的自动驾驶数据集和基准测试,旨在测试基于机器学习的规划器处理多样化行驶场景并做出安全高效决策的能力。数据集包括 1282 小时来自 4 个城市(拉斯维加斯、波士顿、匹兹堡和新加坡)的多样化驾驶场景,并且具有高质量的自动标记的物体轨迹和红绿灯数据。除了数据集之外,还提供了一个模拟和评估框架,使规划器的行动可以在闭环中模拟,以考虑与其他交通参与者的交互。该研究详细分析了多个基准测试,并研究了基于机器学习和传统方法之间的差距。在 nuplan.org 网站上可以找到 nuPlan 数据集和代码。
Mar, 2024
通过一个新的闭环评估基准测试 interPlan,本文评估了现有的最先进的规则和学习驱动的规划器,并展示了它们都无法安全地导航 interPlan 场景。同时,本文还引入了一种基于大型语言模型 (LLM) 的行为规划器和基于规则的运动规划器的混合规划器,该混合规划器在我们的基准测试上达到了最先进的性能。
Apr, 2024
本论文提出了一种全新的端到端可学网络,它可以对自动驾驶车辆进行联合感知、预测和运动规划,并产生可解释的中间表示。它的运动规划成本与感知和预测估计一致,通过使用一种新的可微分语义占用表示法作为运动规划进程的成本实现。通过从人类示范中端到端学习,用大规模手动驾驶数据集和闭环模拟实验表明,所提出的模型在模仿人类行为和产生更安全的轨迹方面明显优于现有技术。
Aug, 2020
本文介绍了一种新颖的在线时空图轨迹规划器,用于生成安全且舒适的轨迹。通过构建时空图,并进一步传递给顺序网络,该规划器能够生成符合安全与舒适要求的状态。此外,还提出了一个简单的行为层用于确定轨迹规划器的动力学约束,并提出了一种新颖的潜力函数来训练网络。通过对比其效果与两种常用方法,测试了该规划器在三种不同的复杂驾驶任务下的性能,结果表明该规划器能够生成安全、可行性高的轨迹,并在前进方向上达到相似或更远的距离,提供了可比较的舒适性乘车体验。
Apr, 2024