Jun, 2024

PRIBOOT: 提升驾驶仿真的新型数据驱动专家

PDF
TL;DR为了克服数据限制问题，我们引入了 PRIBOOT，一种利用有限人类日志和特权信息的专家代理。与之前的方法相比，PRIBOOT 是第一个在 Leaderboard 2.0 中实现了 75% 的路线完成率（RC），以及 20% 驾驶评分（DS）和 45% 的违规率评分（IRS）。有了 PRIBOOT，研究人员可以生成大量数据集，潜在地解决了在该基准中妨碍进展的数据可用性问题。
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

  • 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

    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。

    Mar, 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

  • 从铁轨世界中学习驾驶

    通过基于模型的方法，从预先记录的驾驶日志中学习交互式基于视觉的驾驶策略，我们假设世界处于轨道上，将动力学分解为非反应性世界模型和低维度紧凑前向车辆模型，通过编程计算贝尔曼方程的动作值，控制最终的视觉驾驶策略。

    May, 2021

  • 通过模仿强化学习教练实现端到端城市驾驶

    通过强化学习教练，我们的端到端自主驾驶智能体实现了与人类专家水平接近的表现，其能够通过鸟瞰图像实现连续的低级别操作，提供可靠的监督信号，从而在 NoCrash-dense 基准测试和 CARLA LeaderBoard 公共路线方面达到了最先进的性能。

    Aug, 2021

  • 车辆轨迹控制的高效数据深度强化学习

    采用数据高效的深度强化学习方法研究车辆轨迹控制，发现新的模型推理方法并将动力学预测和车辆定位分离，比传统方法更高效地学习控制策略。

    Nov, 2023

  • 自适应世界模型的自动驾驶规划

    模型预测控制基于 BehaviorNet 的 AdaptiveDriver 在 nuPlan 闭环规划基准中取得了最先进的结果，将测试误差从 6.4％降低到 4.6％，即使应用于以前未见的城市。

    Jun, 2024

  • 从所有车辆中学习

    本文提出了一种通过其他车辆的行为来训练自动驾驶策略的系统，使用监督任务来学习不受视角限制的中间表示，进而预测其他车辆的行为以避免碰撞，并在 CARLA Leaderboard 上取得了出色的成绩。

    Mar, 2022

  • 通过条件行为预测来识别司机交互

    研究了自主驾驶车辆在交互场景下，如车道变换、合并和无保护的拐弯等车辆行驶行为预测问题，提出了一种基于轨迹建模和条件行为预测的交互得分方案，用于训练和评估行为预测模型的有效性评估。

    Apr, 2021

  • 由特权到预测：面向城市驾驶的感觉动作强化学习

    通过深度学习模型，我们研究了特权强化学习代理和感知运动代理在城市驾驶中的差异，以缩小二者之间的差距，并提出了逐步发展较不特权的强化学习代理的解决方案。我们还观察到离线数据集上训练的鸟瞰图模型在在线强化学习训练中存在分布不匹配的问题。通过在 CARLA 模拟环境中进行严格评估，我们揭示了强化学习中状态表示对自动驾驶的重要性，并指出了未解决的研究挑战。

    Sep, 2023