Apr, 2024

增加安全关键行驶场景，同时保持与专家轨迹的相似性

PDF
TL;DR我们提出了一种轨迹增强方法，旨在通过几何变换将位于同一簇中的轨迹组合起来，与专家轨迹数据保持相似性，从而创建新的轨迹。这些增强的轨迹被加入训练数据集中，在满足指定的安全相关标准的前提下。我们的实验证明，使用这些增强轨迹来训练仿真学习模型可以显著提高闭环性能。
trajectory augmentationimitation learningdistributional shiftsafety-critical scenariosclosed-loop performance
发现论文，激发创造
  • 基于强化学习的编辑技术生成安全关键场景

    本文提出一种基于深度强化学习的生成安全关键场景的方法，通过基于生成模型的可信度目标和基于风险目标的奖励函数，成功地生成了高质量的安全关键场景。

    Jun, 2023

  • 学会碰撞：一种自适应的安全关键场景生成方法

    本文提出了一种基于自动生成的安全关键场景进行自动驾驶算法测试的基于生成模型的架构，并进行了针对几个不同场景的实验以证明其效率优于网格搜索或人工设计方法，并且适应性强。

    Mar, 2020

  • ChauffeurNet：学习最好的驾驶方式，合成最差的驾驶方式

    本研究旨在通过模仿学习训练一个自动驾驶策略，以使其足够强大以驾驶真实汽车。为了应对复杂的驾驶场景，我们建议在专家的驾驶基础上引入扰动来合成数据，并使用额外的损失函数强化模型。实验证明这种模型能够在模拟环境中适应复杂的驾驶场景，并能够在真实环境下驾驶汽车。

    Dec, 2018

  • SimAug：从模拟中学习鲁棒的轨迹预测表示

    本文使用 3D 仿真数据进行预测未来人物轨迹，提出了一种通过增加仿真数据以学习鲁棒表示的新方法，可以更好地推广到未见过的真实数据，并在三个真实世界基准下实现了有希望的结果并在 Stanford Drone 和 the VIRAT/ActEV 数据集中取得了最先进的表现。

    Apr, 2020

  • 可控的安全关键闭环交通仿真：通过导向扩散

    评估自动驾驶车辆规划算法的性能需要模拟长尾交通场景。通过引入基于引导扩散模型的闭环模拟框架，我们提出一种新的方法来生成现实世界情景的安全关键场景，并通过增强的可控性使评估更全面和互动性更强。通过相关的引导目标，我们改善了道路进展，同时降低了碰撞和离道率，从而实现了这一目标。通过去噪过程中的对抗项，我们开发了一种模拟安全关键场景的新方法，使对抗性代理能够通过可行的操纵手段挑战规划器，同时场景中的所有代理均表现出反应灵敏和逼真的行为。我们通过使用 NuScenes 数据集的实证验证了我们的框架，证明了在现实性和可控性方面的改进。这些发现肯定了引导扩散模型为安全关键、互动式交通模拟提供了强大而通用的基础，进一步扩展了其在自动驾驶领域的实用性。请访问我们的项目页面（https URL）获取更多资源和演示。

    Dec, 2023

  • 通过零样本课程将合成的离线策略经验嵌入到自动驾驶中

    本研究提出了一种新的驾驶场景难度预测方法，通过仅使用部分数据对自动驾驶代理进行训练，可以在保证性能的同时，显著降低碰撞率和提高路线准确性。

    Dec, 2022

  • 基于合成驾驶数据的轨迹预测预训练

    在有限的数据可用性下，我们提出了利用高精度地图和轨迹的图表示以及预训练策略相结合的方法来学习通用的轨迹预测表示，进而对轨迹预测模型进行改进，从而在数据扩展和预训练策略方面取得了显著的效果。

    Sep, 2023

  • 交通场景相似度：基于图形对比学习的方法

    通过使用图形来构建一个有意义的嵌入空间，我们的方法展示了场景的连续映射以及基于嵌入结果形成主题相似群集，从而在后续测试过程中识别相似场景，从而减少冗余测试运行。

    Sep, 2023

  • TrACT: 一种对训练动态敏感的对比学习框架，用于长尾轨迹预测

    自动驾驶的安全性需要准确预测道路用户未来轨迹以进行安全运动规划，在具有挑战性的条件下尤为重要。本文提出了一种在原型对比学习框架中将更丰富的培训动态信息纳入其中的方法，并在两个大规模自然数据集上进行了实证评估，证明了该方法在改善长尾样本准确性和场景符合性方面达到了最先进的性能。

    Apr, 2024

  • 学习从稀疏轨迹数据中模拟

    ImInGAIL 框架通过结合数据插值和模仿学习的行为学习过程来解决从稀疏实际数据中学习模拟驾驶行为的问题，并在合成和实际驾驶车辆轨迹数据集上取得了优于其他基线方法和现有技术的表现。

    Mar, 2021