地下停车场模拟场景中 AVP 算法训练评估探讨
基于 A * 算法,结合车辆运动学模型、启发式函数优化、双向搜索和贝塞尔曲线优化的改进型自动停车算法,提高了算法的计算速度和实时能力,并利用数值优化方法生成最终停车轨迹,确保了停车路径的安全性。与传统算法相比,该方法在更具挑战性的碰撞风险测试案例中计算时间减少,并在舒适性指标上的性能提升。
May, 2024
自动驾驶技术中一个关键的挑战是在地下停车场环境中测试和改进感知算法的安全性能,本研究提出了一种针对地下停车场环境加速生成感知失败场景的方法,通过学习背景车辆与自动驾驶车辆之间的相互作用,以增加关键信息密度,优化学习和生成感知失败场景,从而提高算法在该实验环境中的安全性能。
Jul, 2024
自动驾驶技术包括五个级别,从 L0 到 L5。当前只能实现 L2 级别(部分自动化),达到最终的 L5 级别(全自动化)还有很长的路要走。跨越这些级别的关键在于训练自动驾驶模型。然而,仅依靠实际道路数据训练模型远远不够且消耗大量资源。尽管已经有通过模拟器训练自动驾驶模型的例子,但这些场景需要完全手动构建。直接从道路网络格式转换 3D 场景将缺乏大量细节,无法作为训练集使用。地下停车车库静态场景模拟被视为程序化内容生成(PCG)问题。本文将使用 Sarsa 算法解决地下车库结构的程序化内容生成。
Jul, 2023
本研究通过使用 CARLA 的仿真平台,创建了基于实际情况的停车场模型以收集数据,然后用占据格网络处理该数据以预测车辆路径和障碍物,从而增强自主驾驶系统在复杂室内环境的感知能力,最终提高自主停车操作的安全性。研究结果表明,所提出的策略成功地提升了自主车辆在这些复杂室内环境中的性能,为未来进一步的发展和应用奠定了基础,并弥补了关于室内停车环境的研究不足,成为一个重要的参考点。
Jul, 2024
自动驾驶和驾驶辅助系统领域的安全保障、测试验证和验证安全关键应用的方法仍然是主要挑战之一,本文介绍了基于仿真的开发平台,用于验证和验证连续工程循环中的安全关键学习型系统。
Sep, 2023
自动泊车系统中加强环境感知一直是一个困难的任务,但是通过协同感知可以扩大车辆的视野,本文提出了一种基于 BEV 特征的协同感知网络架构,通过将道路边缘摄像机和激光雷达与车载传感器融合,有效地压缩 BEV 特征图的大小以适应 NR-V2X 网络的数据速率。通过合成的 AVP 数据集,我们观察到协同感知可以有效地提高感知性能,特别是对于行人。此外,在两种典型的安全关键场景中展示了基础设施辅助式协同感知的优势,在这两种场景中,最大安全巡航速度提高了 3m/s。
Mar, 2024
研究了利用强大的语义特征在 GPS 无法导航的停车场中构建地图和进行车辆定位的方法,采用四个环视摄像头和惯性测量单元及轮速编码器辅助建立实用的自主泊车系统。
Jul, 2020
自主车辆需要行驶超过 110 亿英里以确保其安全性。因此,在进行真实世界测试之前进行模拟测试的重要性是不言而喻的。近年来,以 Carla 和 CarSim 为代表的自主驾驶三维模拟器的发布,标志着自主驾驶模拟测试环境从简单的 2D 俯视图过渡到复杂的三维模型。本论文提出了一个基于深度强化学习的自动生成程序的框架,该框架可以生成不同的二维地面脚本代码,用于构建三维模型文件和地图模型文件。生成的三维地面场景在 Carla 模拟器中显示,实验者可以使用该场景进行导航算法模拟测试。
Jul, 2024
本文提出了基于 A * 算法的改进自动停车规划算法,并使用模型预测控制 (MPC) 作为自动停车的控制模块,通过优化启发函数、二叉堆优化和双向搜索来增强规划的实时性,通过动态加载障碍物和引入车辆自身体积来计算狭窄区域的通行能力,在满足停车任务的高轨迹质量要求方面,使用邻域扩展和贝塞尔曲线优化方法改善轨迹质量。在获得规划算法的输出结果后,根据本地地图下自动停车任务的特点设计损失函数,并使用 MPC 算法输出控制指令以沿着规划的轨迹行驶。实验结果表明,本文提出的改进算法能够有效满足本地地图下自动停车的特殊要求,并完成自动停车的规划和控制任务。
May, 2024