Sep, 2024

层次化端到端自主驾驶：将鸟瞰视图感知与深度增强学习结合

HTML
PDF
TL;DR本研究解决了现有端到端自主驾驶方法中，深度增强学习（DRL）特征提取与感知之间的关键联系被忽视的问题。通过将DRL特征提取网络直接映射到感知阶段，并利用鸟瞰视图（BEV）表示，提出了一种基于DRL的端到端驾驶框架，显著提升了解释性，并在自主驾驶控制任务中表现优于现有方法，碰撞率降低了20%。
发现论文，激发创造
  • 自动驾驶深度学习技术综述

    本文旨在调查深度学习技术在自驾车领域中的最新进展及其强项与局限性，涵盖了基于人工智能的自动驾驶架构、卷积和循环神经网络、深度强化学习范式等内容，以及感知、路径规划、行为仲裁和运动控制算法。同时，重点探讨了当今在设计自动驾驶人工智能架构中所面临的挑战，如安全性、训练数据源和计算硬件等。

    Oct, 2019

  • 具有潜在深度强化学习的可解释端到端城市自主驾驶

    该研究提出了一种解决复杂城市场景下的自动驾驶问题的可解释性深度强化学习方法，在学习过程中引入了序贯潜在环境模型，并生成了语义鸟瞰遮罩，以解释学习策略的行为。实验结果显示，该方法在城市场景中的表现优于 DQN、DDPG、TD3 和 SAC 等基线模型。

    Jan, 2020

  • 自主车辆运动规划深度强化学习调查

    本文研究了在自动驾驶车辆领域中，传感器技术、通信、安全、人工智能、机器学习、路线规划等多方面的应用，重点阐述了一种基于深度强化学习的层次运动规划方法，并以车跟、车道保持、轨迹跟踪、融合和交通压力等不同场景的自动驾驶为例，总结了现有解决方案的优缺点并提出未来研究方向和挑战。

    Jan, 2020

  • 端到端驾驶调查：架构与训练方法

    本论文综述了使用机器学习的端到端方法对全自动驾驶进行的实验和研究，讨论了输入和输出模态、神经网络架构和评估方案，着重关注了可解释性和安全性这两方面的挑战，并提出了一种将端到端自动驾驶系统中最有前途的元素结合在一起的架构。

    Mar, 2020

  • 基于视觉的DRL自主驾驶代理与Sim2Real迁移

    该研究提出了一种基于视觉的深度强化学习车辆控制方法，能够同时执行车道保持和跟车操作，具有从虚拟环境到真实环境的迁移能力，为自主驾驶技术的研究提供了新思路和方法。

    May, 2023

  • 基于深度学习的端到端自动驾驶的最新进展：综述

    该论文综述了端到端自动驾驶技术的最新发展和相关挑战，并探讨了其在实际应用中的重要性和潜在风险。

    Jul, 2023

  • 基于深度学习的端到端自动驾驶：系统性综述

    综述了近期基于机器学习的技术，包括但不限于目标检测、轨迹预测与强化学习，以及对其进行分类和研究趋势，同时指出了该领域的挑战和未来研究方向。

    Aug, 2023

  • 深度强化学习自动驾驶决策的揭秘

    自适应驾驶决策中，深度强化学习模型的黑盒特性限制了实际应用，因此本研究工作关注一种基于注意力机制的可解释深度强化学习框架，并使用连续近端策略优化算法作为基准模型，在开源自适应驾驶仿真环境中加入了多头注意力机制。通过分析技术讨论模型的可解释性和因果关系，发现模型的第一个头部编码了邻近车辆的位置，而第二个头部则专注于领导车辆。此外，自车的动作在时空上受到目标车道上车辆的因果依赖。这些发现可帮助从业人员解读深度强化学习算法的结果。

    Mar, 2024

  • BEVWorld：基于统一BEV潜空间的自动驾驶多模态世界模型

    通过对多模态传感器输入进行统一而紧凑的鸟瞰视图（BEV）潜在空间编码，BEVWorld 提供了一种新的方法来预测潜在的未来场景，证明了其在自动驾驶任务中生成未来场景的有效性，并对感知和运动预测等下游任务提供了帮助。

    Jul, 2024

  • 自动驾驶的分层和解耦的BEV感知学习框架

    该研究提出一种新的分层鸟瞰感知范式，通过使用深度学习和多模块学习方法，实现了自主驾驶系统中感知算法的快速构建和性能提升。

    Jul, 2024