Jul, 2024

地下停车场可靠安全的占据栅格预测研究

PDF
TL;DR本研究通过使用 CARLA 的仿真平台，创建了基于实际情况的停车场模型以收集数据，然后用占据格网络处理该数据以预测车辆路径和障碍物，从而增强自主驾驶系统在复杂室内环境的感知能力，最终提高自主停车操作的安全性。研究结果表明，所提出的策略成功地提升了自主车辆在这些复杂室内环境中的性能，为未来进一步的发展和应用奠定了基础，并弥补了关于室内停车环境的研究不足，成为一个重要的参考点。
autonomous vehicleindoor autonomous drivingunderground parking lotsoccupancy grid networksafety measures
发现论文，激发创造
  • 基于编辑马尔可夫过程的感知失败场景生成加速方法

    自动驾驶技术中一个关键的挑战是在地下停车场环境中测试和改进感知算法的安全性能，本研究提出了一种针对地下停车场环境加速生成感知失败场景的方法，通过学习背景车辆与自动驾驶车辆之间的相互作用，以增加关键信息密度，优化学习和生成感知失败场景，从而提高算法在该实验环境中的安全性能。

    Jul, 2024

  • 停车场占用检测中深度学习方法的修订

    该研究通过比较和评估现有车位检测算法和视觉转换器，提出了一种新的基于 EfficientNet 体系结构的管道，以增加现有系统的泛化能力和适应特定的视觉条件，从而提高停车场占用检测的效果。

    Jun, 2023

  • 面向城市自主驾驶的动态占据栅格预测：一种基于深度学习的全自动标注方法

    本文提出了一种利用贝叶斯滤波技术的环境表示和深度卷积神经网络作为长期预测器相结合的方法，针对复杂的市区情景进行预测，通过像素平衡处理以及自动生成标签等方法实现了无监督学习用于多种道路用户的长期预测。

    May, 2017

  • 地下停车场模拟场景中 AVP 算法训练评估探讨

    通过预先输入的 2D 地下停车场结构计划，本研究提出了一种自动生成具有不同难度级别的 3D 地下车库模拟场景的方法。

    Oct, 2023

  • 基于时空学习的动态环境下未来占据栅格的预测

    我们提出了一种时空预测网络管道，它可以从环境和语义标签中获取过去的信息来生成未来的占用预测，并将其应用于复杂的 nuScenes 数据集中，相较于当前 SOTA，我们的方法可以预测长达 3 秒的占用情况，并不需要 HD-Maps 和明确模拟动态物体。

    May, 2022

  • 利用视频预测网络进行城市交通场景的异中心占据栅格预测

    通过使用固定框架中的全中心占据网格来代表交通状况，以提高对自主车辆动态环境的预测精度，相比于传统的自车中心占据网格方法，全中心占据网格方法能有效地改善场景的预测。

    Jan, 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

  • 自主驾驶中基于视觉的三维占用预测：综述与展望

    自动驾驶领域的一项新兴感知任务是基于视觉的 3D 占用状态预测，该论文对其背景、挑战、研究进展和未来展望进行了综述，并提供了与该主题相关的论文、数据集和代码的收集。

    May, 2024

  • 利用先验信息和语义辅助占据栅格地图进行车辆运动预测

    通过将场景表示为动态占据栅格图（dynamic occupancy grid maps，DOGMs），将语义标签与占用的栅格单元关联并结合地图信息，我们提出了一个结合深度学习的时空和概率方法的新型框架来预测车辆行为，并通过与真实注释进行评估，在真实世界的 NuScenes 数据集上验证了我们的结果，表明我们的模型相对于传统的 OGM 预测方法，能够更准确地预测静态和动态车辆的行为，此外，我们进行了消融研究，并评估了语义标签和地图在架构中的作用。

    Aug, 2023

  • UnO: 无监督占用场景的感知和预测

    我们提出了一种使用自监督从 LiDAR 数据学习连续的 4D（时空）占据场的无监督世界模型，该模型可以轻松有效地迁移到下游任务，并在点云预测和 BEV 语义占据预测方面取得了最先进的性能，特别是在标注数据稀缺时。此外，在与先前的时空几何占据预测的最新技术进行比较时，我们的 4D 世界模型对于与自动驾驶相关的类别的对象的召回率要高得多。

    Jun, 2024