Dec, 2023

基于图的预测与规划策略网络（GP3Net）在动态环境中使用深度强化学习进行可扩展的自动驾驶

PDF
TL;DR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。
motion planningautonomous vehiclesgraph-based predictionnon-stationary environmentssafety measures
发现论文，激发创造
  • GIN：自动驾驶中基于图形交互感知约束策略优化

    本文提出了一种基于图卷积网络的互动感知约束优化方法，通过同时训练运动预测和控制模块并共享一个包含社交上下文的潜在表示来鼓励安全驾驶和预测运动。实验结果表明，这种方法在 CARLA 城市驾驶模拟器上具有比基线更好的导航策略和运动预测性能。

    Jun, 2022

  • 自适应世界模型的自动驾驶规划

    模型预测控制基于 BehaviorNet 的 AdaptiveDriver 在 nuPlan 闭环规划基准中取得了最先进的结果，将测试误差从 6.4％降低到 4.6％，即使应用于以前未见的城市。

    Jun, 2024

  • 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

  • PredictionNet: 实时联合概率交通预测，用于规划、控制和模拟

    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

  • 基于策略预测网络和基于优化的上下文推理的在线车辆轨迹预测

    本文提出了一个在线的两级汽车轨迹预测框架用于城市自动驾驶，其中有复杂的上下文因素，例如车道几何、道路建设、交通规则和移动代理人。我们将高层策略预测与低层背景推理相结合，并利用长短期记忆（LSTM）网络使用其序列历史观测来预测车辆的驾驶策略，并以此来指导低层基于优化的背景推理过程。最终输出的两级推理过程是一条连续的轨迹，能够自动适应不同的交通配置并准确地预测未来的车辆运动。

    Mar, 2019

  • 基于图的交互感知多模态 2D 车辆轨迹预测利用扩散图卷积网络

    通过捕捉交互作用，这项研究提出了基于图的多模态轨迹预测模型，利用扩散图卷积网络有效预测未来车辆轨迹，并给出了相应概率，解决车辆交互和多模态行为的挑战。

    Sep, 2023

  • TPNet: 运动预测的轨迹提议网络

    提出了一个新型的两阶段运动预测框架 ——Trajectory Proposal Network (TPNet)，即先通过生成候选的运动轨迹假设，再根据满足物理限制情况下的分类和细化来进行最终预测，从而实现了安全和多模态的预测，通过这种方法有效地缓解了运动预测问题的复杂性，同时保证了多模态输出。

    Apr, 2020

  • 使用图神经网络联合交互和轨迹预测自动驾驶

    本文提出了一种基于图神经网络的方法，通过显式建模相互作用来预测交通场景中车辆的未来动向，并采用自动标注函数来生成交互标签，从而有效地降低了轨迹误差。

    Dec, 2019

  • 面向分布感知的自主驾驶安全目标预测和符合模型规划

    本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。

    Dec, 2022

  • 一个多阶段目标驱动网络用于行人轨迹预测

    该论文提出了一种用于行人轨迹预测的新方法，称为多阶段目标驱动网络 (MGNet)。通过预测中间阶段目标来生成轨迹，以减小预测误差。MGNet 包括条件变分自编码器 (CVAE)、注意力模块和多阶段目标评估器等主要组件。我们通过对 JAAD 和 PIE 数据集进行全面实验，并与最先进的算法进行比较评估，证明了 MGNet 的有效性。

    Jun, 2024