基于知识蒸馏的自主车辆规划中的可扩展高效交互感知
本文提出 PlanKD,这是第一个专门用于压缩端到端运动规划器的知识蒸馏框架,通过信息瓶颈策略和安全感知的逐点蒸馏模块,可以显著提升较小规模规划器的性能并减少参考时间。
Mar, 2024
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
本文提出了一种自适应多分布知识蒸馏(AMDKD)方案,通过利用来自多个已训练教师模型的知识来生成轻量级且更广义的学生模型,从而解决了现有神经方法在车辆路径问题上交叉分布泛化的问题,并展示了其优异的性能。
Oct, 2022
使用时空图神经网络 (ST-GNN) 对实时交通数据建模,通过知识蒸馏 (KD) 提高 ST-GNN 在实时交通预测中的执行效率,使用剪枝算法和联合优化实现网络架构搜索和精调,评估结果表明,即使保留网络参数的仅 3%,我们的方法仍能使学生网络接近教师网络的准确性。
Jan, 2024
自主车辆在交通中需要与人类驾驶员互动来完成任务,因此装备自主车辆具备人工推理以更好地理解周围交通的意图,从而促进任务完成。本文提出了一种行为模型,将驾驶员的互动意图编码为潜在的社会心理参数,并设计了基于贝叶斯滤波器的递进视界优化控制器以考虑互动驾驶员意图的不确定性,同时采用基于注意机制的神经网络架构来模仿行为模型和在线估计参数先验,并提出决策树搜索算法在线解决决策问题。本文对所提出的行为模型进行了真实世界轨迹预测能力的评估,并在模拟环境和真实世界交通数据集中进行了强制公路合并场景的决策模块的广泛评估,结果表明我们的算法能够在各种交通条件下完成强制合并任务并确保驾驶安全。
Oct, 2023
本文提出了一种基于深度学习技术的交互式神经运动规划器 (INMP),通过过去的周边图像和高清地图,实时检测其他车辆并进行交互式的预测和规划,采用光流蒸馏模型来提高网络性能,实现自动驾驶任务的有效性和高效性。
Apr, 2021
通过学习驾驶员示范,我们提出了一种可解释神经规划器,用于回归热力图,有效代表自主车辆在鸟瞰图中的多个潜在目标,以解决现实场景中存在的多个可接受计划问题,并通过使用负高斯核来加强热力图回归的监督学习,从而提高碰撞回避效果。我们在 Lyft 开放数据集上的系统评估表明,与之前的工作相比,我们的模型在多样的真实驾驶场景中实现了更安全和更灵活的驾驶性能。
Sep, 2023