基于深度集成的自适应巡航控制的感知不确定性自动驾驶
该研究评估了基于深度神经网络的自适应巡航控制系统在感知攻击下的安全性,通过注入摄像头数据扰动以引发前方碰撞,提出了一种基于知识和数据的结合方法,设计了一种上下文感知策略来选择攻击触发的最关键时间,并提出了一种实时自适应生成图像扰动的优化方法。通过实际驾驶数据集和仿真平台进行攻击效果评估,考虑驾驶员干预以及自动紧急制动和前方碰撞警示等安全功能,实验结果表明,相比于随机攻击,该攻击的事故成功率提高了 142.9 倍,并且在受到安全功能限制时减少了 89.6%,同时具有潜在性和对真实环境因素和动态变化的鲁棒性。该研究对人工操作员和基本安全干预在预防攻击中的作用提供了深入洞察。
Jul, 2023
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
本文讨论了 Deep Neural Networks 在自动驾驶领域中的应用,提出了一种实时提取不确定性量化度量的方法,并使用此方法预测了潜在的崩溃事件。
Nov, 2018
本文研究了一种在自主驾驶和辅助驾驶中用于碰撞风险评估的预测方法,利用深度预测模型从传统视频流中预测即将到来的事故,并在决策制定过程中引入了时间信息、多模态信息以及任务固有的不确定性。通过使用基于贝叶斯卷积 LSTM 的深度预测模型,实验表明当多个摄像头作为输入源时,该方法能够较为准确地预测即将发生的事故。
Nov, 2017
本文应用正式的概率分析技术对一种通过感知深度神经网络(DNN)引导飞机滑行的实验自主系统进行了案例研究,通过使用代表性图像数据集计算 DNN 的混淆矩阵来替换摄像机和网络,构建紧凑的概率抽象,以解决感知 DNN、传感器和环境条件的复杂性所带来的挑战,并展示了如何利用本地、DNN 特定的分析作为运行时保护,以提高整个系统的安全性。
Feb, 2023
本文提出了一种用于估计任意深度神经网络分类置信度的指标 —— 邻域置信度 (NHC),可用于自动驾驶和高级驾驶辅助系统中实时可行并且不需要访问梯度,训练数据集或保留验证数据集。在不同的数据分布下进行评估,包括小的领域分布移位,域外数据或对抗性攻击,结果表明,在低数据方案下,NHC 的表现优于或与一种在线的白盒置信度估计方法相当,这是自动驾驶和高级驾驶辅助系统所需的。
Feb, 2023
我们提出了一种方法,针对自动驾驶中神经网络在语义分割任务中面临的未察觉的灾难性部署和领域变化问题进行处理。我们的方法基于深度学习感知不确定性的概率分布表达,将神经网络封装在基于经验不确定性度量和蒙特卡洛 Dropout 方法的不确定性估计包络中,在不改变部署的神经网络的同时,保证期望的模型性能,并且还通过新的方法扩展了包络以提高在部署环境中的应用,包括减少计算开销和限制估计噪声。最后,我们展示了该方法在自动驾驶中的多个潜在部署转变(如夜间、雨天或雪天)中的适用性,整体上,我们的方法具有在部署环境中应用的巨大潜力,并通过不确定性实现了操作设计领域的识别,从而实现了防御性感知、安全状态触发、警告通知和对感知系统测试、开发和适应的反馈。
Aug, 2023
通过研究探索多种神经网络模型在自动驾驶中的应用,本研究提出了三种独特的模型并评估了它们在不同驾驶场景中的重要性和局限性。结果表明集成模型的性能优于单个模型,并强调了利用多个模型实现强大性能的重要性,为未来的自动驾驶研究提供了发展方向。
Dec, 2023
为了检测自动驾驶车辆遭受的网络攻击,本论文提出了一个基于交通模型框架和生成对抗网络的异常检测模型,通过实时车辆轨迹数据来识别恶意操作控制命令、传感器测量的虚假数据注入攻击以及拒绝服务攻击。与其他神经网络模型相比,所提出的方法在准确识别具有异常驾驶行为的自适应巡航控制车辆方面具有更高的准确率。
Oct, 2023
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