本文介绍了一种基于神经网络和长短时记忆的端到端的仿真学习系统,以控制车辆速度,并通过数据和标签增强来实现在纵向控制场景下的鲁棒性和泛化能力,该系统只基于前置摄像头图像,在模拟环境和真实道路测试中展现了良好的控制效果。
Dec, 2018
利用深度学习模型和合成技术从不同角度生成额外的 LiDAR 点云数据,为自动驾驶汽车提供多样化的训练数据,以增强模型的稳健性。
Aug, 2023
该论文提出了第一种无监督学习框架 self-supervised imitation learning (SSIL),该框架可以在没有使用驾驶命令数据的情况下学习 E2E 驾驶网络,并且与监督学习对照组具有可比较的 E2E 驾驶准确性。
通过提出一种部分端到端算法,利用经典控制器的稳健性,从而在自动驾驶汽车在实际车辆建模误差存在的情况下,达到提高强化学习 (RL) 解决方案性能的目的。
Dec, 2023
我们提出了一种使用低成本传感器进行敏捷越野自主驾驶的端到端模仿学习系统,通过模仿配备高级传感器的模型预测控制器,我们训练了一个深度神经网络控制策略,将原始的高维观测映射到连续的转向和油门命令,这个方法不需要状态估计或实时规划来导航车辆,并通过在线模仿学习克服了协变量漂移方面的挑战,实现了成功的高速越野行驶,匹配了最新的性能水平。
Sep, 2017
本文提出了一种深度学习模型,通过端到端和多任务学习方法进行训练,同时执行感知和控制任务,用于自动驾驶车辆的点对点导航;在 CARLA 模拟器上进行评估,同时与其他已有模型进行比较和消融实验,实现了更高的驾驶分数。
Apr, 2022
本文提出了一种通过其他车辆的行为来训练自动驾驶策略的系统,使用监督任务来学习不受视角限制的中间表示,进而预测其他车辆的行为以避免碰撞,并在 CARLA Leaderboard 上取得了出色的成绩。
Mar, 2022
本文研究基于深度学习和强化学习方法的视觉自主驾驶技术,提出了一种将视觉控制系统拆分为感知模块和控制模块的方法,并针对数据效率提出了基于 TORCS 的深度强化学习模拟环境。实验结果表明,感知模块表现良好,控制器实现了对车辆的良好控制。
Oct, 2018
我们提出了一种自我监督的方法,通过潜在世界模型来预测未来的潜在特征,从而提高无需昂贵标签的端到端驾驶性能。
Jun, 2024
使用卷积神经网络实现端到端的无人驾驶系统,自动学习所需处理步骤的内部表示,以及如何检测车道等相关功能优化,最终将导致更好的表现和更小的系统
Apr, 2016