VADv2: 基于概率规划的端到端矢量化自动驾驶
我们提出了 UAD,一种基于视觉的端到端自动驾驶 (E2EAD) 方法,在 nuScenes 中实现了最佳的开环评估性能,同时在 CARLA 中显示出强大的闭环驾驶质量。
Jun, 2024
本文提出了一种利用深度学习的基于模仿学习的概率驾驶模型,可以综合利用摄像机,激光雷达和雷达的信息来应对各种环境条件和动态障碍物,具有优异的泛化性能。
May, 2020
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
通过扩展端到端驾驶网络、定义新颖的可变网络,将深度学习应用于自动驾驶领域,使自动驾驶汽车在没有 GPS 数据的情况下能够执行点对点导航和概率定位,同时给出了汽车可能采取行动的完整概率分布,并能够在观察到的视觉道路拓扑图和地图之间建立的对应关系基础上,进行粗略姿势定位。
Nov, 2018
提出了一个新的端到端自动驾驶范式,自动驾驶的关键在于预测自车和周围环境随着时间的演变,通过生成建模问题通过 GenAD 框架,模型了自动驾驶问题,并在广泛使用的 nuScenes 基准测试中取得了高效的最新成果。
Feb, 2024
通过规划导向的主动学习方法,本研究探索了如何在自动驾驶中实现样本和标注的高效利用,实验证明该方法在性能上远超过一般的主动学习方法,并且仅使用了 30% 的 nuScenes 数据就取得了与最先进的端到端自动驾驶方法相媲美的性能,希望本研究能激发未来从数据为中心的角度探索端到端自动驾驶的相关研究。
Mar, 2024
自动驾驶系统面临着交通行为不确定性高等问题,本文提出了基于深度卷积神经网络的多轨迹交通演算方法,能够精确地预测交通行为并评估它们的概率,此方法也已成功应用于自动驾驶车辆中。
Sep, 2018
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
本文介绍了自动驾驶学科中第一个大规模视频预测模型。通过从网络获取大量数据并与多样且高质量的文本描述配对,我们消除了高成本数据收集的限制并增强了模型的泛化能力。该数据集积累了超过 2000 小时的行驶视频,涵盖了全球各地不同的气候条件和交通场景。我们的模型名为 GenAD,并继承了最近潜变扩散模型的优点,利用新颖的时间推理块处理行驶场景中具有挑战性的动态。我们展示了它可以以零 - shot 方式泛化到各种未见过的行驶数据集,超过了一般或专门针对行车的视频预测模型。此外,GenAD 可以适应动作条件化预测模型或运动规划器,具有在实际行驶应用中巨大潜力。
Mar, 2024
利用 LLaDA 工具,我们通过适应新地点的交通规则,使人工驾驶员和自动驾驶车辆能够在任何地方行车。LLaDA 利用大型语言模型对当地的驾驶手册进行解释,从而实现零样本泛化能力,解决了自动驾驶中长期存在的问题,并在实际数据集上展示了适应自动驾驶车辆运动规划策略的能力。
Feb, 2024