汽车场景中动态物体对安全轨迹的感知相关性的保守估计
通过采用现有方法扩展到城市领域,本研究定义感知数据集中的相关对象,并提供了一种基于运动预测组件的新的相关性验证方法,通过考虑大规模数据集中的预测性能的统计分布来量化对预测的影响,成功地验证了所提出的相关性标准的有效性。
Aug, 2023
配置和部署能够成功提取对象相关性知识的对象检测器,并利用这些知识来改善轨迹规划任务。在给定物体检测器的情况下,基于对象的相关性和传统的置信度阈值进行过滤,可以减少错过相关对象的风险,降低危险轨迹的可能性,并总体上提高轨迹的质量。
Apr, 2024
本研究旨在通过建立物体关键性模型,提出新的物体检测评估措施来评估自动驾驶中物体检测的安全性和可靠性,并在 nuScenes 数据集上对九种物体检测器进行比较,结果表明,在多种情况下,根据 nuScenes 排名表现最好的物体检测器当重点关注安全性和可靠性时,并不是最好的选择。
Mar, 2022
在现代自动驾驶领域中,感知系统是不可或缺的,它可以准确评估周围环境的状态,从而实现知情预测和规划。本研究重点研究了感知系统的鲁棒性、准确性和延迟性在实际情况下的评估,通过对基于摄像头、LiDAR 和多模态的 3D 物体检测算法进行全面评估,特别是在 KITTI-C 和 nuScenes-C 等数据集上进行公平比较,发现多模态的 3D 检测方法表现出更强的鲁棒性,并引入了一个新的分类系统以提高文献的清晰度。本调查旨在为当前三维物体检测算法在实际应用中的能力和限制提供更实用的视角,从而引导未来的研究朝向鲁棒性为中心的发展。
Jan, 2024
本文提出一种用交互图和图卷积进行物体重要性估计的新框架,以帮助更好地理解人类驾驶行为并实现更可靠的自动驾驶系统。实验结果表明,该模型具有比现有基线模型更好的性能。
Mar, 2020
本论文提出一种新的分析方法,通过零和动态博弈模型解决自动驾驶车辆在遮挡视野的情况下和其他参与交通的实体交互的安全问题,并在开放源码 CARLA 模拟器上表明该框架在城市和高速公路驾驶场景下的有效性。
May, 2021
本论文提出了一种新方法,通过模拟自动驾驶汽车感知和预测系统的输出,以可靠地进行运动规划测试,从而取代传统的昂贵且具有较大领域差距的传感器模拟。我们使用真实感知和预测输出与标签数据进行训练,从而预测在线系统的输出。此外,我们的方法以高清地图、边界框和轨迹为输入,可由测试工程师轻松手绘几分钟,这大大提高了可扩展性。通过两个大型数据集的定量实验结果表明,我们可以实现通过模拟来进行现实测试的全面方法。
Aug, 2020
提出了一种结构化的方法来生成分类结构,通过考虑车辆的行为需求来确定合法类别,进而通过考虑对象的碰撞安全和感知类别的两个方面来进一步验证该结构。将该方法应用于一个示例性的法律文本,获取到了一个分类层次结构;将结果与基准数据集的类别进行比较,结果显示一致性有限。这表明有必要明确考虑感知方面的法律要求。
Jul, 2023
本文针对车载自动驾驶视觉场景中的对象重要性评估问题,提出了一种新的基于视觉动态和驾驶目标的对象重要性估计框架,并通过实际交通路口数据集及人工标注数据对该框架进行了验证评估。同时,本文还探讨了使用对象重要性进行驾驶控制预测的可能性,并证明了该方法可以有效提升车辆的刹车预测准确性。
May, 2019
本研究提出了一种基于社会感知方案的自主驾驶决策模块,在该模块中,利用所有可用信息并恰当地处理不确定性问题,将社会感知的更新信念明确地纳入了基于 MPC 的概率规划框架中,以此实现了防御但不过于保守且社会兼容的驾驶策略。
May, 2019