通过使用注意力模型来提高 CARLA 驾驶模拟器的性能,同时通过模仿学习训练代理人来解释自动驾驶中深度学习无法解释的决策问题。
Jun, 2020
本文提出了一种基于多任务学习和注意力模型的新型自动驾驶条件模仿学习网络,通过解决交通灯反应问题,不仅提高了标准基准测试的成功率,而且具备了响应交通信号的能力。
Apr, 2021
本文提出了一种名为带有注意力的脑启发式认知模型 (CMA) 的自动驾驶模型,该模型可以模拟人类视觉皮层和认知空间,结合实时更新的认知地图来实现注意机制和长短期记忆,同时解决了检测自由空间和当前和相邻车道边界、估算障碍物距离和车辆姿态、学习从人类驾驶员处获取驾驶行为和决策的三项任务,并可以接受外部导航指令。
Feb, 2017
本研究探讨了可解释的自动驾驶车辆中使用视觉解释的方法,使乘客、保险公司、执法机构和开发人员能够理解神经网络控制模型的行为,该模型采用了视觉关注模型进行训练,并应用因果过滤步骤来确定哪些输入区域实际上影响了输出。该方法在三个数据集上进行了有效性研究,证明了其在自动驾驶行为和人类驾驶行为中的应用价值。
Mar, 2017
利用弱监督学习和注意力图,我们提出了一种新的建模方法,使得注意力图成为端到端训练的自然组成部分,并通过直接从网络本身探索监督来直接在这些图上提供自我指导,从而成功地解决了以前方法中的缺点,并在语义分割任务上优于现有技术。
Feb, 2018
本文提出了一种深度学习模型,通过端到端和多任务学习方法进行训练,同时执行感知和控制任务,用于自动驾驶车辆的点对点导航;在 CARLA 模拟器上进行评估,同时与其他已有模型进行比较和消融实验,实现了更高的驾驶分数。
Apr, 2022
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
该论文提出了一种基于场景语义和注视信息相结合的自动驾驶注意力预测方法 SAGE,并通过修改自动驾驶的关键预测参数,设计了一个完整的预测框架 SAGE-Net,实验证明 SAGE 在不增加计算量的情况下,可以优于现有技术 87.5% 的案例。
Nov, 2019
该研究探讨了利用人类驾驶产生的数据对自动驾驶系统进行改进的方法,提出了利用基于行动的驾驶数据进行学习表示的模型,该模型在弱注释图像方面表现出色,并且优于纯粹的端到端驾驶模型,同时更具有可解释性。
Aug, 2020
本文提出一种新颖的方法来模拟和模拟人类注意力的近似预测模型,并将其作为结构化辅助特征图输入到下游学习任务中,通过在物体检测和模仿学习两个任务中的应用实验证明了人类注意力的预测可以提高训练模型的鲁棒性和在低数据情景下的快速学习。
Aug, 2023