Jun, 2024

NAVSIM：数据驱动的无反应自主车辆模拟与基准测试

PDF
TL;DR在这篇论文中，我们介绍了一种介于开环评估和闭环评估之间的评估范式，即使用大型数据集与非反应式模拟器相结合，实现大规模真实世界基准测试。我们展示了该方法在衡量终到终自动驾驶时更好地与闭环评估对齐，并在 CVPR 2024 的新竞赛中取得了一些新的见解。
benchmarkingvision-based driving policiessimulationsimulation-based metricsend-to-end autonomous driving
发现论文，激发创造
  • NeuroNCAP：自主驾驶的真实感闭环安全测试

    我们提出了一种灵活多用途的基于 NeRF 的模拟器，用于测试自动驾驶软件系统，重点关注传感器真实感闭环评估和创建安全关键场景。通过从实际驾驶传感器数据序列中学习，模拟器能够重构和渲染新的未见场景。我们使用该模拟器测试了自动驾驶模型对欧洲新车评估计划（Euro NCAP）所启发的安全关键场景的响应。我们的评估结果表明，虽然最先进的端到端规划器在开环环境中的正常驾驶场景中表现出色，但在闭环环境中导航我们的安全关键场景时存在严重缺陷，这凸显了端到端规划器在安全性和实际可用性方面的改进需要。通过以易于运行的评估套件的形式公开发布我们的模拟器和场景，我们邀请研究界在受控但高度可配置和具有挑战性的传感器真实环境中探索、完善和验证他们的自动驾驶模型。

    Apr, 2024

  • SimNet：从真实观测中学习反应式自动驾驶模拟

    本文提出了一种利用深度神经网络建模驾驶安全体验的简单的端到端可训练式机器学习系统，可以用于验证自动驾驶系统的性能，而无需进行昂贵且耗时的道路测试。

    May, 2021

  • UniSim：神经闭环传感器模拟器

    UniSim 是一个神经传感器模拟器，它可以将一个由传感器设备的车辆记录的日志转化为逼真的闭环多传感器模拟，用于安全关键场景的闭环评估。

    Aug, 2023

  • NuPlan: 一个基于闭环机器学习的自动驾驶规划基准

    本文提出了第一个基于机器学习的自动驾驶闭环规划基准测试，介绍了一个数据集、模拟器和规划特定度量的框架。数据集包含来自美国和亚洲四个城市的 1500 小时的人类驾驶数据，模拟器使用反应性代理程序，提供了大量的通用和特定场景的规划度量。

    Jun, 2021

  • 加强模拟环境下基于行的作物导航基准测试与感知数据生成

    本文介绍了通过使用合成数据集和虚拟场景来加速自主导航系统的开发的方法及其在农业领域的应用。

    Jun, 2023

  • OASim：基于神经渲染的开放自适应驾驶模拟器

    通过隐式渲染技术和生成模型对数据进行生成，我们提出了 OASim，一种自适应的开放式模拟器和自动驾驶数据生成器，具有高质量的场景重建、轨迹编辑、车辆模型库、传感器模型库和可定制的数据生成系统等特点。

    Feb, 2024

  • 基于数据驱动的交通仿真：综述

    自主驾驶车辆和数据驱动交通仿真的评估指标的综述与分析，探讨了自主驾驶车辆的性能验证挑战以及未来研究的方向。

    Oct, 2023

  • 重新思考自主驾驶的闭环训练

    本文针对自动驾驶代理的封闭式训练提出了一种新方法 —— 轨迹价值学习 (TRAVL)。采取多步预测进行规划，同时利用虚拟数据进行有效学习。实验证明，TRAVL 相比于其他模型，能够更快地学习并产生更安全的机动操作。

    Jun, 2023

  • 没有强化学习，没有模拟：学习导航而无需导航

    本研究提出了一种基于自监督学习的方法，通过对漫游的被动视频学习导航，而无需交互、地图信息或强化学习，旨在解决基于图像目标的导航任务，该方法可以作为使用强化学习或模拟的任何未来基于图像的导航任务的强大基准。

    Oct, 2021

  • TrafficSim：学习模拟真实多智体行为

    利用 TrafficSim 模拟真实的自动驾驶系统中的多智能体交通模型，以更多样化的人类演示数据为基础，生成人类社交一致的行驶计划，生成更真实、更多样化的交通场景，可作为训练更好的运动规划员的有效数据增强。

    Jan, 2021