May, 2024

加速个性化自动换道进化通过课程学习

PDF
TL;DR个性化驾驶辅助系统的在线进化能力是确保用户偏好匹配必不可少的。本文提出了一种以驾驶员接管干预为基础的课程学习方法，通过利用在线的接管数据生成驾驶区域，采用高斯判别分析确保被感知的安全性，通过学徒学习实时对轨迹规划回报进行纠正，利用模型预测控制以在驾驶区域约束下优化回报目标，该方法具有更快的进化能力、经验累积的熟练度、被感知的安全性保证和较低的计算复杂性，仿真结果表明所提系统始终能成功自定义轨迹规划而无需进一步接管干预，累积经验可以使进化效率提高 24％，平均学习迭代次数仅为 13.8 次，平均计算时间为 0.08 秒。
personalizationdriver assistance systemevolution capabilitylesson learningtrajectory planning
发现论文，激发创造
  • 机器学习基于的自动驾驶车辆意图轨迹识别与预测

    本文介绍了一种基于深度学习的预测方法，用于自动驾驶车辆的变道行为，旨在促进安全的变道操作，从而提高道路安全。

    Feb, 2024

  • 探究困境区个性化驾驶行为：分析和预测停车或直行决策

    利用基于游戏引擎（即 CARLA）的驾驶模拟器，收集了来自四名司机在不同场景下的高分辨率车辆轨迹、交通信号相位和时间信息以及停车或通行的决策，通过分析个性化驾驶行为并开发个性化变压器编码器预测个体司机在困境区域中的停车还是通行决策，结果表明，相比于通用的变压器编码器和二元逻辑回归模型，个性化变压器编码器在困境区域中预测驾驶员决策的准确性提高了 3.7% 至 12.6% 和 16.8% 至 21.6%。

    May, 2024

  • 一种合作自适应巡航控制系统中的驾驶员变道预测新模型

    本文利用 HighD 数据集构建 LSTM 模型，通过 ACC 和 CACC 两种与周围车辆交互的情景，探究车辆位置、速度和加速度等信息对车道变更预测准确率的影响，提高车道变更预测准确率至 59.15% - 92.43%。

    May, 2023

  • 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

  • GAD - 基于生成学习的高清地图无驾驶

    提出一种基于深度学习的方法，将预测、决策和规划模块融合起来，以克服自动驾驶系统中基于规则的方法在真实世界应用中的不足，特别是在城市场景中。所提出的 DNN 模型仅经过 10 小时的人工驾驶数据训练，并且支持市场上所有的批量生产 ADAS 功能。在此论文中，展示了该方法在不对车辆的传感器设置和计算平台进行任何修改的情况下，通过部署到集约的测试车辆上，展示了其可行性、可用性和商业潜力。

    May, 2024

  • 基于邻近政策优化的深度强化学习自动换道策略

    这篇论文研究了如何利用无人驾驶中的深度强化学习技术来优化车辆变道的策略，通过使用近端策略优化来提高学习效率和性能表现，进一步验证了该策略的有效性和安全性。

    Feb, 2020

  • 车辆在您之前就能预测：通过学习时间驾驶模型来预测车辆操作

    本文提出了一种先进的驾驶辅助系统，通过使用相机和计算设备，捕捉车辆内外的驾驶环境并使用自回归输入 - 输出 HMM 模型来预测驾驶员的驾驶操作，实现在真实环境下 3.5 秒内实时预测驾驶操作，达到 F1 得分超过 80%。

    Apr, 2015

  • 交通优化中的隐式感知：先进的深度强化学习技术

    通过采用深度强化学习从事自主驾驶车辆上的车辆跟随和变道模型，本论文探讨了解决构成道路阻塞的突发情况，提出了基于 Markov 决策过程和 MEC 辅助架构的综合决策控制系统，并通过 SUMO 模拟器和 OPENAI GYM 评估了该模型的性能，结果显示使用 ε-greedy 策略进行训练的 DQN 代理明显优于使用 Boltzmann 策略进行训练的代理。

    Sep, 2023

  • RACE-SM: 基于强化学习的社交出口匝道合并的自主控制

    提出了一种基于学习的新型加速和换道决策模型，该模型明确考虑了自我车辆及周围车辆的效用，以产生社会可接受的行为。仿真结果表明，考虑周围车辆在奖励函数设计中的重要性，并直接考虑并道对周围车辆的影响，该模型在避免事故、近距离避开和反社会行为方面与文献中的模型相匹配或超过。

    Mar, 2024

  • 连续驾驶策略优化与闭环个性化课程

    通过闭环个性化课程框架（CLIC）阶段性评估自动驾驶模型的能力，并根据评估结果为其提供个性化的训练，以在大规模场景库中优化驾驶策略，提高自动驾驶车辆在复杂情况下的表现。

    Sep, 2023