ECCVJun, 2023

重新思考自主驾驶的闭环训练

PDF
TL;DR本文针对自动驾驶代理的封闭式训练提出了一种新方法 —— 轨迹价值学习 (TRAVL)。采取多步预测进行规划，同时利用虚拟数据进行有效学习。实验证明，TRAVL 相比于其他模型，能够更快地学习并产生更安全的机动操作。
autonomous drivingtraining benchmarksrl algorithmstrajectory value learningmultistep look-ahead
发现论文，激发创造
  • 闭环中学习真实交通代理

    使用闭环模拟学习方法 RTR，在模拟和真实数据集中训练交通仿真策略，以提高交通规则遵守性和仿真的真实性。

    Nov, 2023

  • 基于深度强化学习的 CARLA 模拟自动驾驶

    本论文基于强化学习（RL）与 Deep Q-Learning 框架以及 CARLA 仿真环境，探索了一种实现自动驾驶车辆在高速行驶时保持车道并避让其他车辆的策略，以提高交通安全性。

    Jun, 2023

  • 针对各种模拟驾驶操作的深度强化学习自动驾驶的全面培训和评估

    本研究通过实现、评估和比较两种深度强化学习算法（Deep Q-networks 和 Trust Region Policy Optimization）来训练自动驾驶车辆，以及开发和应用奖励函数，并在基于模拟环境的高速公路自动驾驶训练平台中进行评估，结果显示 TRPO 算法在大多数情况下以及将多种驾驶演练和多种路况情况集成于一体的 ComplexRoads 训练环境中效果最佳。

    Jun, 2023

  • CtRL-Sim: 反应性和可控驾驶代理的离线强化学习

    在这项研究中，我们提出了一种名为 CtRL-Sim 的方法，它利用退化条件离线强化学习和物理增强的 Nocturne 模拟器，通过处理真实世界的驾驶数据来有效生成具有反应性和可控性的交通代理。我们展示了 CtRL-Sim 能够高效生成多样且逼真的安全关键场景，并提供对代理行为的精细控制。此外，我们还表明，通过用模型生成的模拟安全关键场景对模型进行微调可以增强这种可控性。

    Mar, 2024

  • 自主驾驶的深度强化学习：一份综述

    本文综述了深度强化学习算法在自动驾驶任务上的应用，包括分类、验证、测试和强化现有强化学习算法解决方案的方法，还介绍了相关领域和挑战。

    Feb, 2020

  • 车辆轨迹控制的高效数据深度强化学习

    采用数据高效的深度强化学习方法研究车辆轨迹控制，发现新的模型推理方法并将动力学预测和车辆定位分离，比传统方法更高效地学习控制策略。

    Nov, 2023

  • 基于深度强化学习的实际驾驶环境离散控制

    本篇研究提出了一个基于真实驾驶环境的 MDP 框架，使用多智能体学习算法来实现对自动驾驶车辆的训练，并提出了可靠的初始化、数据增强和训练技术来实现最小化的视频数据和培训，最终在 TORCS 虚拟驾驶环境中得到了验证。

    Nov, 2022

  • 基于强化学习的行为规划与采样运动规划的自动驾驶集成

    本文提出一种利用深度强化学习的自主驾驶行为规划模型，通过预测未来交通情况，将高层行为规划接口化，并通过循环规划策略进行实验验证。

    Apr, 2023

  • 基于激光雷达的端到端强化学习自主赛车

    该研究使用强化学习算法开发和训练了一个代理机器人，在模拟环境中利用激光和速度数据导航赛车，并在真实赛车场景中进行了实验评估，展示了强化学习算法在提高自主驾驶赛车性能方面的可行性和潜在优势。

    Sep, 2023

  • 自主训练自动驾驶车辆的自主算法

    基于强化学习的自主车辆训练算法，最小化人为干预，通过学习进展实时调整训练过程，安全地重置车辆状态，取得更好的驾驶性能和较少的人工重置。

    May, 2024