像素状态值网络用于交互环境中的综合预测和规划
自主驾驶系统需要全面理解和预测周围环境,以在复杂场景中做出明智决策。为了解决预测和规划中的三个主要挑战,并提升准确性和一致性,本文引入了一种混合预测集成规划系统 (HPP)。通过创新设计的模块,HPP 在预测和规划方面取得了最先进的性能,展示了在预测和规划的端到端范式中卓越的准确性和一致性。
Feb, 2024
本文介绍了一种基于自主行车的防撞技术,包括预测行人通过模拟其自身运动规划、推断可能的目的地、规划阶段和行为模式预测的神经网络。实验结果表明,系统能够准确地预测目的地和轨迹。
Jun, 2017
本文提出了 PredictionNet,这是一种深度神经网络,用于预测周围交通代理的运动,参考了多层地图和强化学习,在真实交通和流程控制中表现出色。
Sep, 2021
自动驾驶有潜力彻底改变个人、公共和货物运输的机动性。通过准确感知环境并利用可获得的传感器数据,自动驾驶需要规划一条安全、舒适和高效的运动轨迹。为了提高安全性和前进步伐,许多研究依赖于预测周围交通的未来运动。模块化的自动驾驶系统通常将预测和规划作为顺序独立的任务处理。然而,这种方法虽然考虑到了周围交通对自车的影响,却未能预测交通参与者对自车行为的反应。最近的研究表明,将预测和规划整合为相互依赖的联合步骤是实现安全、高效和舒适驾驶的必要条件。本研究系统回顾了基于深度学习的预测、规划和集成预测规划模型的最新进展。考虑到模型架构、设计和行为方面,综合了集成的不同方面,并将它们相互关联。此外,我们讨论了不同集成方法的意义、优势和限制。通过指出研究中的空白、描述相关的未来挑战以及突出研究领域的趋势,我们确定了未来研究的有希望的方向。
Aug, 2023
在非固定驾驶环境中,提出了一种基于深度图预测和规划策略网络(GP3Net)框架,该框架通过编码交通参与者之间的相互作用以及提供 AV 的安全操纵决策来预测未来的动态路径,进而提高自动驾驶车辆的安全性能。
Dec, 2023
本研究提出了基于动态贝叶斯网络的概率性交通预测模型,结合马尔科夫模型和上下文感知的车辆运动模型,可以更精准地预测未来的交通路径和解决交互问题。相较于基于物理学和地图的方法,该模型表现更加优越。
Apr, 2018
我们提出了一种可微分的预测 - 规划框架,使用一个可微分的非线性优化器作为运动规划器,通过神经网络预测周围代理人的轨迹并为自主车辆优化轨迹,我们的模型使用真实世界的驾驶数据集进行训练,并在开环测试和闭环测试中得到验证,拥有比基线模型更好的性能,证明联合训练规划和预测模块比独立训练预测模块更优。
Jul, 2022
本文提出了一种概率框架,能够在任何驾驶场景下联合预测多个交通参与者的连续运动,并能够预测每个交互的持续时间,以提高预测性能和效率。该框架包含两个层次模块:上层模块预测预测车辆的意图,下层模块预测与其交互的场景中其他实体的运动,为自主车辆的决策制定和运动规划提供支持。
Oct, 2018