未知环境下的学习初始化轨迹规划
针对智能四旋翼无人机,本文提出了一种稳健可靠的自主规划系统,结合动态障碍物的跟踪和轨迹预测实现高效可靠的自主飞行,采用轻量级目标检测算法识别动态障碍物,利用卡尔曼滤波跟踪和估计其运动状态,在规划阶段不仅考虑静态障碍物而且考虑动态障碍物的潜在移动,使用基于 B 样条的轨迹搜索算法生成轨迹,并通过各种约束进一步优化以提高安全性和与无人机运动特征的一致性,在仿真和实际环境中进行实验,结果表明我们的方法能够实时检测和避开动态环境中的障碍物,相较现有方法在可靠性上有更大优势。此外,在自然语言处理(NLP)技术展示出卓越的零样本泛化能力的进展下,更友好的人机交互变得可行,本研究还探索了自主规划系统与大型语言模型(LLMs)的集成。
Nov, 2023
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
利用深度神经网络和强化学习技术,结合蒙特卡罗方法和分层控制策略,解决了复杂动态环境下行车规划的问题,提出了一种用于道路自动驾驶的方案。该方案使用 LTL 约束条件和控制策略,训练神经网络,在规避交通事故、遵守交通规则的前提下,行驶到指定的终点。
Mar, 2017
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
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
全球导航卫星系统(GNSS)受限环境要求无人机(UAV)以节能可靠的方式飞行。为此,本研究提出了适用于无人机在 GNSS 受限环境中的感知与能量感知的运动规划。该规划器通过优化成本函数来解决轨迹规划问题,其中包括无人机总能耗和激光雷达(LiDAR)传感器的感知质量两个指标。仿真实验在逼真环境中证实了该规划器在异方差不确定性下能够平衡节能和感知质量的权衡。
Sep, 2023
本文介绍一种基于最大熵逆强化学习 (MaxEnt IRL) 的计划采样方法,以提高对未知环境下行人和车辆运动轨迹的准确性和多样性,同时考虑多模式预测分布和场景结构的影响。在 Stanford drone 和 NuScenes 数据集上的实验表明,所提出的轨迹生成方法能够生成符合复杂场景结构的多元精确预测轨迹。
Jan, 2020
使用非本地可用信息预测进入未知空间的长期目标导航,在部分映射环境中改善可靠性;通过图神经网络依赖于非本地信息进行预测,确保可靠性;在实验证明相比非学习基线和仅使用本地信息的学习参考规划器,成本可降低 9.3%和 14.9%。
Jul, 2023
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