Apr, 2024

自主驾驶路径规划的残差链预测

PDF
TL;DR在自动驾驶系统领域，路径规划算法的改进对于车辆在动态环境中尤其是复杂城市场景中的导航至关重要。本研究引入了新概念的 Residual Chain Loss，通过动态调整损失计算过程来增强预测路径点的时间依赖性和准确性，显著提高模型性能，并且与端到端路径规划框架无缝集成，有效解决了传统曼哈顿距离在行为克隆中导致的协变量漂移问题，强调了 Residual Chain Loss 在自动驾驶系统中规划成分的潜力，是实现第 5 级自动驾驶系统的重大进展。
autonomous driving systemspath planning algorithmsbehavior cloningcovariate shiftresidual chain loss
发现论文，激发创造
  • 增强型环境损失自动驾驶车辆行为克隆

    该论文提出了两种损失函数（社交损失和道路损失），用于模拟路径规划中的风险社交互动，从而实现更好的驾驶安全性和行为克隆效果。

    Feb, 2022

  • 一种端到端的汽车轨迹预测框架

    本文提出了一种新颖的端到端架构，该架构接受原始视频输入并输出未来车辆运动轨迹预测，以解决自主驾驶中的邻近车辆运动预测问题。该架构通过多头注意力回归网络和非线性优化提取和跟踪附近车辆的三维位置，然后使用基于注意力的 LSTM 编码器 - 解码器算法对车辆之间的相互依赖关系建模，从而达到了高精度的未来车辆轨迹预测，实验结果表明，该算法优于目前各种先进模型。

    Apr, 2023

  • 城市驾驶中可行的离散行为模式的联合预测和规划

    在自动驾驶中，已经取得了训练多模态轨迹预测模型的重大进展，然而，有效地将这些模型与下游规划器和基于模型的控制方法整合仍然是一个待解决的问题。我们提出了一种使用学习的锚点嵌入来预测多条轨迹的最新轨迹预测方法，并发现这些锚点嵌入可以对表示高级驾驶行为的离散且不同模式进行参数化。我们建议在这些离散潜在模式上进行完全反应式的闭环规划，从而可以在每一步追踪建模代理之间的因果交互。在一系列更动态的合并场景上验证了我们的方法，并发现我们的方法避免了常规规划器中普遍存在的 “冻结机器人问题”。在实际速度下评估时，在具有挑战性的密集交通场景中，我们的方法也优于 CARLA 上的先前最先进方法。

    Mar, 2024

  • 离散残差流用于概率行人行为预测

    本研究提出了离散残差流网络（DRF）来预测人类的行为，通过预测和更新空间位置的离散分布来有效地捕捉了未来人类活动的多模态后验，与其他模型相比表现更好。

    Oct, 2019

  • RCLane: 转发链关联预测用于车道检测

    本文提出一种基于中继链路预测的车道检测新方法，通过预测前向和反向分支的传输图和距离图，以逐步预测中继站（下一个点）的方向和步数，从而能够捕获车道上的关键点。该方法在 TuSimple，CULane，CurveLanes 和 LLAMAS 这四个主要基准测试中取得了新的最佳效果。

    Jul, 2022

  • 面向分布感知的自主驾驶安全目标预测和符合模型规划

    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

  • 面向长尾预测不确定性感知的自动驾驶车辆轨迹规划

    本篇论文提出了一种轨迹规划器，使用深度学习技术建立预测模型，通过集成网络结构来估计模型不确定性，并设计轨迹规划器以考虑出现的最坏情况，从而可以提高自动驾驶在现实世界中长尾数据分布情况下的安全性和可靠性。

    Jul, 2022

  • 自动驾驶的开创性 SE (2) 等变轨迹规划

    我们提出了一种轻量级的等变规划模型，它在生成所有车辆的多模态联合预测并选择一个模态作为自主计划时，结合了运动预测和轨迹规划。通过嵌入车辆位置并在潜在空间中沿着高级路线指导自主车辆，我们的方法提供了具有目标导向行为的等变规划，同时在保持等变性的同时不强制汽车始终沿着确切的路线行驶。我们在具有挑战性的 nuScenes 数据集上进行实验，结果表明，我们规划的轨迹在输入场景的旋转平移下稳定，验证了我们模型的等变性。尽管只使用了数据集的一小部分进行训练，但我们的方法在 3 秒内改善了 20.6％的 L2 距离，并超过了最先进的方法。

    Mar, 2024

  • 自主驾驶可微分的集成运动预测和规划学习代价函数

    我们提出了一种可微分的预测 - 规划框架，使用一个可微分的非线性优化器作为运动规划器，通过神经网络预测周围代理人的轨迹并为自主车辆优化轨迹，我们的模型使用真实世界的驾驶数据集进行训练，并在开环测试和闭环测试中得到验证，拥有比基线模型更好的性能，证明联合训练规划和预测模块比独立训练预测模块更优。

    Jul, 2022

  • 使用深度神经网络进行行人预测的规划

    本文介绍了一种基于自主行车的防撞技术，包括预测行人通过模拟其自身运动规划、推断可能的目的地、规划阶段和行为模式预测的神经网络。实验结果表明，系统能够准确地预测目的地和轨迹。

    Jun, 2017