自主驾驶中的高效主动学习：基于车辆动力学的场景表示来进行轨迹预测的无视觉感知

May, 2024

自主驾驶中的高效主动学习：基于车辆动力学的场景表示来进行轨迹预测的无视觉感知

Perception Without Vision for Trajectory Prediction: Ego Vehicle Dynamics as Scene Representation for Efficient Active Learning in Autonomous Driving

PDF

Ross Greer, Mohan Trivedi

TL;DR探索在自动驾驶机器学习任务中利用轨迹和动态状态信息进行高效数据筛选的研究，提出了在主动学习框架中的轨迹状态聚类和采样方法，旨在降低注释和数据成本同时保持模型性能。研究通过利用轨迹信息引导数据选择，在训练数据中促进多样性，证明了方法在轨迹预测任务中的有效性，使用 nuScenes 数据集展示了与随机采样相比在不同数据池大小上的一致性性能提升，甚至在仅使用 50% 的数据成本下达到次基线位移误差。结果表明，在解决 “冷启动问题” 方面，最初采样典型数据有助于，而随着训练池大小的增加，引入新颖性变得更有益处。通过整合使用轨迹状态信息的主动学习，证明了利用低成本数据筛选策略可以实现更高效和稳健的自动驾驶系统。

Abstract

This study investigates the use of trajectory and dynamic state information for efficient data curation in →

trajectory dynamic state information data curation autonomous driving active learning

发现论文，激发创造

重新思考在 NuScenes 中终端到终端自主驾驶的开环评估

本论文重新评估了自动驾驶系统在三个主要任务中规划任务的评估方法，并设计了一种基于 MLP 的方法，仅使用原始传感器数据直接输出自车未来轨迹，在 nuScenes 数据集上实现了最先进的端到端规划性能，降低了约 30％的平均 L2 错误。同时，提供了对 nuScenes 数据集成功规划任务的关键因素进行深入分析，并提出了需要重新思考的问题。

May, 2023

基于激光雷达的动态物体 3D 跟踪和状态估计

该研究的重点在于利用动态场景定位的方法估计非自主车辆的状态，以支持运动规划和决策制定。

Apr, 2023

自我状态是否足以支持开环端到端自主驾驶？

自动驾驶最新研究中，终端到终端的全栈自动化日益成为一个有应用前景的研究方向。本文通过深入分析与详细阐述，探究了该问题的更多细节。研究表明，nuScenes 数据集在相对简单的驾驶场景中存在感知信息的低利用率，尤其是包括自身状态在内的整车速度对终端到终端模型的未来路径规划起到主导作用。此外，当前的评估指标无法全面评估规划质量，导致现有基准测试可能产生偏见。为了解决这个问题，我们引入了一种新的度量指标来评估预测轨迹是否符合道路要求。我们进一步提出了一种简单的基准模型，能够在不依赖感知注释的情况下取得有竞争力的结果。考虑到当前基准测试和指标的限制，我们建议学术界重新评估相关研究，并谨慎是否持续追求最新技术将带来令人信服和普适性较强的结论。

Dec, 2023

驾驶员安全：短期轨迹预测在自动驾驶车辆中的作用

本研究使用 CARLA 模拟器开发了一个合成数据集，并使用卷积神经网络创建了一种端到端的短期轨迹预测模型，使得自动驾驶汽车能够更好地应对复杂情境，如行人穿越马路，车辆超车等，同时免去了对环境的显式编码。

Jul, 2023

优化自车轨迹预测：图增强方法

使用鸟瞰图和图神经网络等方法代替深度神经网络，实现对自动驾驶系统中车辆轨迹进行准确预测。

Dec, 2023

基于自我中心视角的未来车辆本体定位技术研究

本文介绍了一种新颖的方法来同时预测自动驾驶中车辆的位置和规模，这主要是通过使用多流递归神经网络编码器 - 解码器模型来实现，在该模型中，密集的光流加入了捕捉运动和外观变化信息的能力。此外，本文还发现明确建模车辆的未来运动可以提高预测准确性。

Sep, 2018

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。