Mar, 2024

一个模块化自主驾驶架构的分析：CARLA Leaderboard 2.0 挑战中的顶级提交

PDF
TL;DR我们介绍了 Kyber-E2E 的架构，该架构在 CARLA Leaderboard 2.0 自主驾驶挑战 2023 的 map track 中获得了第一名。我们采用了模块化架构，包括感知、定位、认知、追踪 / 预测和规划 / 控制五个主要组件。我们的解决方案利用最先进的语言辅助认知模型，以在高挑战交通场景中提供更可靠的规划器性能。我们使用开源驾驶数据集结合逆强化学习 (IRL) 来提高我们的运动规划器性能。我们提供了关于我们设计选择和权衡的见解，以实现这个解决方案。我们还探讨了每个组件对我们解决方案整体性能的影响，以提供资源分配的最大影响指南。
kyber-e2ecarla leaderboard 2.0autonomous drivingmodular architecturelanguage-assisted perception models
发现论文，激发创造
  • 自动驾驶车辆的软件架构：LRM-B 团队参加第一届 CARLA 自动驾驶挑战赛

    本文介绍了在 CARLA 模拟器中，基于 CaRINA2 架构设计了一个自主车辆导航系统，能够有效避免交通违规，具备障碍物检测、交通标志检测、风险评估、决策制定和控制等多个关键组件，利用卷积神经网络等技术实现。该系统在首届 CARLA 自主驾驶挑战赛中成绩斐然，取得了 3 个赛道的胜利。

    Oct, 2020

  • 使用深度强化学习的自主驾驶顺序决策的分层体系结构

    本研究开发了一个多模态架构，包括自我周围环境的建模，并训练了一个深度强化学习代理，以在随机高速公路驾驶场景中实现一致的性能，将自主驾驶问题分成多层控制结构使我们能够将 AI 的能力分别用于解决每一层，最终实现更可靠的系统，可在实际的自动驾驶汽车中实现。

    Jun, 2019

  • 基于规划的自动驾驶

    提出一种新的自动驾驶系统框架 UniAD，其将任务的优先级与任务之间的交互结合，以整合现有方法中尚未合并的任务，实现更高水平的自动驾驶。

    Dec, 2022

  • 无需昂贵模块化和 3D 手动标注的端到端自动驾驶

    我们提出了 UAD，一种基于视觉的端到端自动驾驶 (E2EAD) 方法，在 nuScenes 中实现了最佳的开环评估性能，同时在 CARLA 中显示出强大的闭环驾驶质量。

    Jun, 2024

  • 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

  • 基于语义深度云地图和多智能体技术的端到端自动驾驶

    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

  • 自动驾驶汽车：一项调查

    本文主要介绍了自动驾驶汽车的自主系统架构，包括感知系统和决策系统，以及相关的感知和决策方法的研究，并介绍了巴西联邦大学开发的自动驾驶汽车 IARA 的自主系统架构，最后列举了一些知名的自动驾驶汽车研究平台。

    Jan, 2019

  • ADriver-I: 无人驾驶的通用世界模型

    基于多模态大语言模型和扩散技术，我们提出了一种自主驾驶世界模型 ADriver-I，该模型以交织的视觉 - 动作对为基础，能够预测当前帧的控制信号，并使用历史的视觉 - 动作对和生成的控制信号来预测未来的帧，通过无限反馈循环，ADriver-I 实现了自主驾驶。我们通过在 nuScenes 和大规模私有数据集上进行广泛实验，证明了 ADriver-I 在性能上的卓越表现，希望该模型能为未来自主驾驶和具身智能提供新的洞见。

    Nov, 2023

  • 多模态端到端自主驾驶

    本文提出并分析了终端到终端驾驶中，结合 RGB 和深度信息数据的多模态方案，以期提高自动驾驶 AI 模型的性能。通过模拟和条件模仿学习，证明了采用早期融合多模态方案，可以超越采用单模态的性能表现。

    Jun, 2019

  • CARLA：一个开源城市驾驶模拟器

    CARLA 是一款用于自主驾驶研究的开源模拟器，支持模块化流程、模仿学习和强化学习，可用于研究不同驾驶方式在不同场景下的表现，提供数字建模和传感器套件等资源。

    Nov, 2017