Jul, 2024

深度强化学习对恶劣车库场景生成的研究

PDF
TL;DR自主车辆需要行驶超过 110 亿英里以确保其安全性。因此，在进行真实世界测试之前进行模拟测试的重要性是不言而喻的。近年来，以 Carla 和 CarSim 为代表的自主驾驶三维模拟器的发布，标志着自主驾驶模拟测试环境从简单的 2D 俯视图过渡到复杂的三维模型。本论文提出了一个基于深度强化学习的自动生成程序的框架，该框架可以生成不同的二维地面脚本代码，用于构建三维模型文件和地图模型文件。生成的三维地面场景在 Carla 模拟器中显示，实验者可以使用该场景进行导航算法模拟测试。
发现论文，激发创造
  • 基于深度强化学习的 CARLA 模拟自动驾驶

    本论文基于强化学习（RL）与 Deep Q-Learning 框架以及 CARLA 仿真环境，探索了一种实现自动驾驶车辆在高速行驶时保持车道并避让其他车辆的策略，以提高交通安全性。

    Jun, 2023

  • 基于 PCG 的静态地下车库场景生成

    自动驾驶技术包括五个级别，从 L0 到 L5。当前只能实现 L2 级别（部分自动化），达到最终的 L5 级别（全自动化）还有很长的路要走。跨越这些级别的关键在于训练自动驾驶模型。然而，仅依靠实际道路数据训练模型远远不够且消耗大量资源。尽管已经有通过模拟器训练自动驾驶模型的例子，但这些场景需要完全手动构建。直接从道路网络格式转换 3D 场景将缺乏大量细节，无法作为训练集使用。地下停车车库静态场景模拟被视为程序化内容生成（PCG）问题。本文将使用 Sarsa 算法解决地下车库结构的程序化内容生成。

    Jul, 2023

  • 基于仿真的强化学习在自主驾驶中的应用

    采用强化学习和模拟技术开发驾驶系统，使用合成数据进行训练并验证了其在真实道路环境中的稳健性与有效性。

    Nov, 2019

  • 基于仿真的带机器学习组件的自动驾驶车辆对抗测试生成

    本文针对包含机器学习组件的自动驾驶系统，提出了一个测试框架，利用测试用例生成和自动实现方法进行评估，并演示了如何使用覆盖数组等测试用例生成方法以及需求实现方法来自动识别问题情景，从而提高自动驾驶系统的可靠性。

    Apr, 2018

  • 安全导航：在 CARLA 中使用深度强化学习进行自主车辆训练

    自主驾驶汽车使用深度强化学习技术在不确定环境中进行决策，通过使用 CARLA 模拟器在真实城市环境中训练和测试自动驾驶模型，实现了准确的对象识别和距离估计以及有效的交通导航。

    Oct, 2023

  • 基于密集强化学习的自动驾驶车辆适应性测试环境生成

    通过融合多个替代模型并优化其组合系数以增强评估效率，我们开发了一种自适应测试环境，通过采用二次规划将优化问题表达为回归任务，并利用强化学习方法高效获取回归目标，实现了加速评估的效果验证。

    Feb, 2024

  • 自主驾驶的深度强化学习框架

    研究利用深度强化学习提出了一个用于自动驾驶的框架，其中包含了包含循环神经网络的信息集成和关注模型用于减少嵌入式硬件的计算复杂度，并在 TORCS 仿真器中验证了其自主操纵能力

    Apr, 2017

  • 基于强化学习的编辑技术生成安全关键场景

    本文提出一种基于深度强化学习的生成安全关键场景的方法，通过基于生成模型的可信度目标和基于风险目标的奖励函数，成功地生成了高质量的安全关键场景。

    Jun, 2023

  • 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

  • 自主驾驶的深度强化学习：一份综述

    本文综述了深度强化学习算法在自动驾驶任务上的应用，包括分类、验证、测试和强化现有强化学习算法解决方案的方法，还介绍了相关领域和挑战。

    Feb, 2020