Nov, 2023

DeepEMplanner：一种具有迭代交互的电子显微动作规划器

PDF
TL;DR运动规划是一个计算问题，它通过考虑其他智能体的预测、环境理解以及历史和未来的上下文，找到一系列有效的路径，同时还可以看作是智能体根据其他智能体的意图和环境不断规划下一步移动的一种博弈过程，进而通过渐进的行动实现最终目标。本研究提出了一种新的框架 DeepEMplanner，该框架考虑了逐步的交互过程，用于细粒度行为学习，并通过交互机制和层次动态关键对象注意力更好地建模了自我、智能体和动态环境之间的交互。实验结果表明，我们的方法在 nuScenes 基准测试上取得了最先进的结果。
motion planningdeepemplannerbehavior learninginteraction processautoregressive
发现论文，激发创造
  • 自主车辆的交互式运动规划与联合优化

    MPC 与学习预测模型相结合的交互联合规划（IJP）在计算上可扩展的方式上提供了最佳结果。

    Oct, 2023

  • 深度交互式动作预测与规划：通过动作预测模型进行游戏

    本研究提出一种多智能体策略网络和博弈论模型预测控制器相结合的方案，将自动驾驶车辆的预测和规划层紧密耦合，能够有效生成交互行为。

    Apr, 2022

  • 基于分层模仿学习的城市驾驶可解释运动规划器

    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

  • 基于强化学习的行为规划与采样运动规划的自动驾驶集成

    本文提出一种利用深度强化学习的自主驾驶行为规划模型，通过预测未来交通情况，将高层行为规划接口化，并通过循环规划策略进行实验验证。

    Apr, 2023

  • EDMP：预算引导扩散的运动规划集成

    我们提出了 EDMP，即基于代价引导的扩散运动规划集合，旨在结合经典规划与基于深度学习的运动规划的优势，通过在多样的有效运动轨迹集合上进行训练的扩散网络，计算特定场景的代价，如 “碰撞代价”，并引导扩散生成满足场景约束条件的有效轨迹，同时使用代价集合而非单一代价函数来指导扩散过程，显著提高了成功率，并保留了与经典规划器主要相关的泛化能力。

    Sep, 2023

  • 深度强化学习中动态决策机构的运动规划

    本文介绍了一种基于深度强化学习和 LSTM 的算法，可以在不使用特定行为规则的情况下，学习各种类型的动态代理之间的避碰。通过仿真和在全自主机器人车辆上的实验，证明了该算法随着代理数量的增加能够更好地执行避碰，并且不需要使用 3D 激光雷达。

    May, 2018

  • 端到端可解释的神经运动规划器

    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

  • 通过可解释的语义表示感知、预测并规划安全运动

    本论文提出了一种全新的端到端可学网络，它可以对自动驾驶车辆进行联合感知、预测和运动规划，并产生可解释的中间表示。它的运动规划成本与感知和预测估计一致，通过使用一种新的可微分语义占用表示法作为运动规划进程的成本实现。通过从人类示范中端到端学习，用大规模手动驾驶数据集和闭环模拟实验表明，所提出的模型在模仿人类行为和产生更安全的轨迹方面明显优于现有技术。

    Aug, 2020

  • 自主车辆运动规划深度强化学习调查

    本文研究了在自动驾驶车辆领域中，传感器技术、通信、安全、人工智能、机器学习、路线规划等多方面的应用，重点阐述了一种基于深度强化学习的层次运动规划方法，并以车跟、车道保持、轨迹跟踪、融合和交通压力等不同场景的自动驾驶为例，总结了现有解决方案的优缺点并提出未来研究方向和挑战。

    Jan, 2020

  • 利用强化学习进行神经运动规划

    本研究通过比较监督式学习与强化学习算法，提出了一个适用于动作规划领域的 DDPG-MP 算法，该算法有助于解决运动规划中数据不足的问题，并在新领域的规划中实现了较快速度。

    Jun, 2019