基于 2D 物体边界框的路径规划
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
自动驾驶汽车通过统一的、可解释的、高效的自主性框架,在关键因素(如碰撞避免、舒适性和进展)方面评估候选路径,从而实现了优于高保真闭环模拟中最先进水平的高速公路驾驶质量。
Apr, 2024
自动驾驶系统在复杂驾驶环境中导航是困难的,该论文提出了一种增强的运动规划方法,利用周围人类驾驶车辆的驾驶行为和长期轨迹来改善自动驾驶系统的驾驶安全性。
Aug, 2023
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
本文提出了一种针对自动驾驶车辆 3D 物体检测任务的新型两阶段 3D 物体检测方法,通过深度卷积神经网络回归两个额外的 3D 物体属性并与二维和三维框之间的级联几何约束相结合,旨在获取 3D 空间中物体位置的最佳解。
Sep, 2019
本文提出了一种快速、稳健的运动规划框架,通过几种特征实现了在城市条件下实现自动驾驶,其中包括了路径规划和基于 A * 算法的最优轨迹计算,并考虑了各种不同的约束条件和时间跨度进行了验证。
Mar, 2018
本文介绍了一种多模态自动标注流程,可以生成用于训练开放式类别的无标注 3D 边界框和轨迹,从而处理自动驾驶等安全关键应用中可能在部署后遇到的新物体类型。相比于当前领域的最新研究,我们的方法可以以无监督的方式处理静态和移动的对象,并通过提出的视觉 - 语言知识蒸馏方法输出开放式词汇的语义标签。基于 Waymo 开放数据集的实验证明,我们的方法在各种无监督 3D 感知任务上显著优于先前的工作。
Sep, 2023
本文旨在填补 3D 对象检测在自动驾驶中的知识空白,综述了相关领域的传感器、数据集、性能度量以及最新的检测方法,分析了其优劣,并进行了定量比较和案例研究,最后总结了研究成果和未来发展方向。
Jun, 2021
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