自动驾驶汽车中从模拟环境到真实环境的驾驶观察模型可迁移性研究

Jul, 2023

自动驾驶汽车中从模拟环境到真实环境的驾驶观察模型可迁移性研究

On Transferability of Driver Observation Models from Simulated to Real Environments in Autonomous Cars

Walter Morales-Alvarez, Novel Certad, Alina Roitberg, Rainer Stiefelhagen, Cristina Olaverri-Monreal

TL;DR研究通过模拟数据进行驾驶员观察模型的训练，并探索将这些模型转移到真实自动驾驶场景中的可行性，结果显示模型的识别质量明显下降，存在模型转移的挑战。

Abstract

For driver observation frameworks, clean datasets collected in controlled simulated environments often serve as the initial training ground. Yet, when deployed under real driving conditions, such simulator-trained models quickly face the problem of →

driver observation frameworks simulation data autonomous vehicles distributional shifts model transferability

发现论文，激发创造

基于世界模型的视觉导航的 Sim2Real 迁移

一种使用 Bird's Eye View 图像作为中间表示的系统，在模拟器中训练并能够通过零样本转移到真实世界，在真实世界环境中通过 Anchor 图像和混合密度 LSTM 增强鲁棒性，通过 Differential drive 机器人在 CARLA 模拟器中的训练和部署证明了该方法的有效性，并公开了相关代码、数据集和模型。

Oct, 2023

通过任务蒸馏进行领域适应

使用图像识别数据集作为源域和目标域之间的桥梁，通过任务蒸馏框架，在不同仿真器之间成功地传输导航策略，并在传统领域适应基准上展现出有前途的结果。

Aug, 2020

我的驾驶员观察模型是否过于自信？输入引导的校准网络用于可靠和可解释的置信度估计

本研究首次探究现代驾驶员观察模型的置信度值与正确结果概率之间的匹配程度，并提出了增强置信度校准的两种策略，分别是温度缩放和带输入引导的校准行为识别模型（CARING），实验结果显示 CARING 模型性能最佳，能够显著提高模型置信度的质量和正确性评估。

Apr, 2022

通过模块化和抽象实现驾驶策略转移

该论文提出了一种通过模块化和抽象化来从仿真环境中转移自动驾驶车辆策略到现实世界的方法，该方法旨在将模块化架构和端到端的深度学习方法的优点相结合，从而解决自动驾驶车辆训练中的传递性问题，并在仿真城市环境和现实世界中进行了评估。

Apr, 2018

面向分布感知的自主驾驶安全目标预测和符合模型规划

本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。