Jan, 2024

具备强化学习和演示的安全且通用的端到端自动驾驶系统

PDF
TL;DR智能驾驶系统应能根据当前环境和车辆状况动态制定适当的驾驶策略，确保系统的安全可靠性。本文介绍了一种适用于复杂和各种场景的安全通用端到端自动驾驶系统（SGADS），该系统结合了变分推断与归一化流，使智能车辆能够准确预测未来的驾驶轨迹，并提出了鲁棒安全约束的制定方法。此外，我们将强化学习与示范结合，以增强智能体的搜索过程。实验结果表明，与现有方法相比，我们的 SGADS 能够显著提高安全性能，在复杂城市场景中展现出强大的泛化能力，并提高智能车辆的训练效率。
发现论文，激发创造
  • 自主驾驶的安全多智能体强化学习

    本文介绍了一种利用深度强化学习解决自动驾驶问题的方案，不同于其他机器人任务，自动驾驶需要确保功能安全和在多个智能体情境下执行正确的决策，其中的主要挑战包括如何处理多个智能体的不确定行为，以及如何在 “Desires” 策略和难以控制的路径规划之间实现平衡。

    Oct, 2016

  • 自主高速公路驾驶增强安全的深度强化学习

    本文提出了一种安全的深度强化学习自动驾驶系统，采用了基于规则和基于学习的方法，其中包括手工制作的安全模块和动态学习的安全模块，通过模拟环境的实验结果证明了其优异的性能。

    Oct, 2019

  • 自主车辆上的安全强化学习

    本研究探讨了如何通过预测来约束探索，从而实现强化学习在自动驾驶中的安全学习。

    Sep, 2019

  • 学习感知交互式自主安全性

    为了确保机器人等自主车辆的广泛部署，本文提出了一种新的闭环范式用于综合安全控制策略，明确考虑系统在可能的未来情景下的演变不确定性，通过物理动力学和机器人的学习算法共同推理，利用对抗深度强化学习进行放大，展示了该框架能够处理贝叶斯信念传播和大规模预训练神经轨迹预测模型引起的隐式学习。

    Sep, 2023

  • 基于模型学习的自动驾驶系统安全分析

    本论文针对自动驾驶系统的安全分析提出了一种实用的验证方法，即建立量化描述交通场景下 ADS 行为的代理模型，并通过证明安全特性来保证原 ADS 的性能。此外，我们还探索了危险驾驶的安全和不安全参数空间，并通过评估多个模拟交通场景下的安全特性展示了所提出方法的实用性。

    Nov, 2022

  • 通过对抗强化学习提高自动驾驶车辆控制的稳健性和安全性

    该研究比较了 Robust Adversarial Reinforcement Learning 和 Neural Fictitious Self Play 算法在自动驾驶场景下的性能表现，将学习问题定义为自主系统与环境干扰之间的两人博弈，扩展为半竞争的情况，结果表明对手更好地捕捉了有意义的干扰，从而产生了更好的驾驶效率和减少了与传统强化学习方法相比的碰撞率。

    Mar, 2019

  • 多智能体连接自主驾驶的深度强化学习

    该论文提出了使用部分可观测马尔可夫博弈来构建具有现实情况的无人驾驶问题，并提供了 MACAD-Gym 平台来进一步研究和开发基于深度强化学习的集成感知、计划和控制算法。

    Nov, 2019

  • SAD-GAN: 基于生成对抗网络的合成自主驾驶

    利用生成神经网络学习合成驾驶行为并使用控制器教练网络来模仿人类学习，通过在 Road Rash 游戏地图上测试模型的学习程度来验证模型的准确性。

    Nov, 2016

  • 基于强化学习的自我改进安全驾驶性能与黑盒验证算法

    提出了一种自我完善的人工智能系统，通过黑盒验证方法，增强基于强化学习的自主驾驶代理的安全性能。在发现自动驾驶失败情况后，RL 代理的训练通过迁移学习重新初始化，以改善先前不安全的情况的表现

    Oct, 2022

  • GAD - 基于生成学习的高清地图无驾驶

    提出一种基于深度学习的方法，将预测、决策和规划模块融合起来，以克服自动驾驶系统中基于规则的方法在真实世界应用中的不足，特别是在城市场景中。所提出的 DNN 模型仅经过 10 小时的人工驾驶数据训练，并且支持市场上所有的批量生产 ADAS 功能。在此论文中，展示了该方法在不对车辆的传感器设置和计算平台进行任何修改的情况下，通过部署到集约的测试车辆上，展示了其可行性、可用性和商业潜力。

    May, 2024