Dec, 2023

自动驾驶端到端中速度和延迟的应对

PDF
TL;DR行为克隆方法在端到端驾驶中的应用，通过收集专家驾驶数据集，模型学习猜测专家在不同情况下会做出什么行为，并表现为低级或中级指令和轨迹。研究发现驾驶速度的差异和延迟会影响模型的性能，同时提出了改变目标标签以减轻延迟影响的解决方法。
end-to-end drivingbehavioral cloningdelaysmodel trainingdriving speeds
发现论文，激发创造
  • 探究自动驾驶行为克隆的局限性

    本文介绍一种新的基准测试，以探究行为克隆的可扩展性和限制性，结果表明，行为克隆在复杂的驾驶情况下拥有先进的成果，但是仍存在数据集偏差和过度拟合的问题，缺乏因果模型和培训不稳定性导致进一步的研究需要进行。

    Apr, 2019

  • 基于条件模仿学习的端到端驾驶

    本文提出了一种基于高层指令输入的条件性模仿学习方法，使得经过训练的车辆在测试时间内仍然能够遵循导航指令，本文在仿真实验和机器人卡车实验中对各种条件性模仿学习架构进行了评估和实践。

    Oct, 2017

  • 面向端到端自动驾驶的多任务学习与注意力机制

    本文提出了一种基于多任务学习和注意力模型的新型自动驾驶条件模仿学习网络，通过解决交通灯反应问题，不仅提高了标准基准测试的成功率，而且具备了响应交通信号的能力。

    Apr, 2021

  • 增强型环境损失自动驾驶车辆行为克隆

    该论文提出了两种损失函数（社交损失和道路损失），用于模拟路径规划中的风险社交互动，从而实现更好的驾驶安全性和行为克隆效果。

    Feb, 2022

  • ChauffeurNet：学习最好的驾驶方式，合成最差的驾驶方式

    本研究旨在通过模仿学习训练一个自动驾驶策略，以使其足够强大以驾驶真实汽车。为了应对复杂的驾驶场景，我们建议在专家的驾驶基础上引入扰动来合成数据，并使用额外的损失函数强化模型。实验证明这种模型能够在模拟环境中适应复杂的驾驶场景，并能够在真实环境下驾驶汽车。

    Dec, 2018

  • 使用端到端深度模仿学习的敏捷自主驾驶

    我们提出了一种使用低成本传感器进行敏捷越野自主驾驶的端到端模仿学习系统，通过模仿配备高级传感器的模型预测控制器，我们训练了一个深度神经网络控制策略，将原始的高维观测映射到连续的转向和油门命令，这个方法不需要状态估计或实时规划来导航车辆，并通过在线模仿学习克服了协变量漂移方面的挑战，实现了成功的高速越野行驶，匹配了最新的性能水平。

    Sep, 2017

  • 通过模仿强化学习教练实现端到端城市驾驶

    通过强化学习教练，我们的端到端自主驾驶智能体实现了与人类专家水平接近的表现，其能够通过鸟瞰图像实现连续的低级别操作，提供可靠的监督信号，从而在 NoCrash-dense 基准测试和 CARLA LeaderBoard 公共路线方面达到了最先进的性能。

    Aug, 2021

  • 针对端到端自动驾驶模型的简易物理对抗样本

    本研究使用简单的物理攻击，将黑线涂在路上，对自动驾驶的深度神经网络模型进行端对端的攻击，并探讨了针对直行的攻击与针对右转的攻击等场景的高度有效性。

    Mar, 2019

  • 通过学习端到端的视觉关注来解释自动驾驶

    通过使用注意力模型来提高 CARLA 驾驶模拟器的性能，同时通过模仿学习训练代理人来解释自动驾驶中深度学习无法解释的决策问题。

    Jun, 2020

  • 自主驾驶的基于行动的表示学习

    该研究探讨了利用人类驾驶产生的数据对自动驾驶系统进行改进的方法，提出了利用基于行动的驾驶数据进行学习表示的模型，该模型在弱注释图像方面表现出色，并且优于纯粹的端到端驾驶模型，同时更具有可解释性。

    Aug, 2020