- 使用证据理论准确训练自动驾驶中的占用地图预测数据
自动驾驶需要关于周围场景几何形状的知识,现代方法利用图像预测代表几何形状的占据地图,而我们提出了一种新的基于证据理论的方法,能够更准确地进行重建,并给出有意义的不确定性估计。
- 自动驾驶场景下的上下文学习
利用大型语言模型优化强化学习的奖励功能,使自动驾驶代理在行为上更加灵活、精准和类人化,探究奖励设计在塑造自动驾驶车辆行为中的重要影响,为更先进、类人化的自动驾驶系统的发展提供了有希望的方向。
- 基于场景和能力驱动的数据集开发与评估:无地图自动驾驶情景下的一种方法
我们提出了一种基于场景和能力的数据集开发方法,通过 ISO 21448 和 ISO/TR 4804 的原则,便于结构化地推导出数据集需求,从而克服了现有车道检测数据集在真实世界适用性、关键特征标注和复杂驾驶操作全面信息缺失等方面的显著局限性 - 预测和分析非信号化交叉口的行人穿越行为
通过使用模拟器数据研究涉及多辆车和行人的场景,本研究提出和评估了预测非斑马线场景中的缝隙选择以及斑马线场景中斑马线使用的机器学习模型,并调查和讨论行人行为如何受到行人等待时间、步行速度、未使用缝隙的数量、最大未选中缝隙以及其他行人的影响。这 - 基于因果关系的驾驶场景转移到未知交叉口
通过利用贝叶斯网络分析各个参数的关系,本文提出了一种系统的方法来降低对数据的需求量,并在未观测到的交叉口生成真实的场景,以此评估自动驾驶功能的场景测试。
- 通过定性场景理解和解释实现可靠的自动驾驶
自动驾驶中使用的定性可解释图 (QXG) 能够通过传感器数据和机器学习模型解释自动驾驶车辆的环境,利用时空图和定性约束从原始传感器输入中提取场景语义,支持实时增量构建,可用于车内解释和决策合理化。
- 基于 Transformer 的车道检测与锚链表示
基于 transformer 模型的 LDTR 提出以整个车道作为锚点,引入多重参考可变形注意力模块和高斯热图辅助分支等方法,用于解决自动驾驶中光照条件和遮挡等挑战性问题,实现了在车道检测领域的最先进性能。
- 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 - 自动驾驶的开创性 SE (2) 等变轨迹规划
我们提出了一种轻量级的等变规划模型,它在生成所有车辆的多模态联合预测并选择一个模态作为自主计划时,结合了运动预测和轨迹规划。通过嵌入车辆位置并在潜在空间中沿着高级路线指导自主车辆,我们的方法提供了具有目标导向行为的等变规划,同时在保持等变性 - 多重破损:一个用于三维物体检测的 LiDAR - 相机融合的多模式鲁棒性数据集和基准
通过评估多模态 3D 目标检测器在多种数据扰动下的稳健性,我们发现现有方法的鲁棒性与扰动类型和融合策略密切相关,为多模态设计选择提供了洞察。
- 基于神经渲染的自动驾驶城市场景重建
利用多模态数据结合深度学习模型进行密集三维重建,从而提高自动驾驶中的标注验证、数据扩充、缺失 LiDAR 系统的地面真值注释以及自动标记准确性的应用效果。
- 自动驾驶中行人检测的安全适应损失
本文提出了一种新颖的安全感知损失变化,利用训练过程中估计的每个行人的关键得分来提高关键行人检测性能,评估结果表明,使用我们的安全感知损失函数对关键行人进行训练可以减少漏检而不损害对非关键行人的检测性能。
- YOLinO++:用于无地图自动潜水的多功能折线单次估计
基于神经网络,通过一次性检测的方法,研究在自动驾驶中以图像为基础的 1D 结构检测,如车道边界。提出了一种基于中点和锚点定义的车道边界表示方法,能够检测车道中心线、车道边界以及高速公路和城市区域中的标志,实现了多功能检测和分类。
- 通过定性场景理解和解释实现可信的自动驾驶
我们提出了定性可解释图(QXG):一种用于城市移动中场景理解的统一符号和定性表示。QXG 利用时空图和定性约束从原始传感器输入(如 LiDAR 和相机数据)中提取场景语义,为自动车辆的环境进行解读,从而提供了一种可理解的场景模型。QXG 具 - 基于 LiDAR 的自动驾驶验证中的路缘检测
本论文介绍了一种从 LiDAR 传感器捕获的一系列点云中检测三维路缘的方法,该方法包括两个主要步骤:利用分割深度神经网络在每次扫描中检测路缘;然后,利用车辆的里程计数据在重建的点云中估计三维路缘。通过实验证实了该方法的有效性并验证了其可以显 - 基于图的轨迹预测与合作信息
使用合作信息进行自动驾驶的轨迹预测,提出了一种基于图神经网络的体系结构,能够有效地提高网络性能并处理不准确的合作数据。
- 自动驾驶在线域外检测
确保自动驾驶的安全性是汽车行业的主要挑战,特别关注人工智能,尤其是深度神经网络作为高度自动化驾驶实现的关键技术;本研究提出了一个在线安全机制的概念验证,能够检测数据是否遗漏训练领域,并在 Synthia 数据集上实验,显示百分之百正确检测输 - 增强型计算机视觉冬季路面状况监测
该研究提出了一种名为 SIWNet 的深度学习回归模型,能够从摄像头图像中准确估计道路表面摩擦特性,该模型在网络中引入了一个额外的头部来估计预测区间,通过最大似然损失函数进行训练。研究结果表明,SIWNet 的预测区间估计功能良好,并且与之 - 基于模拟的自动驾驶辅助系统安全验证,包含学习能力组件
自动驾驶和驾驶辅助系统领域的安全保障、测试验证和验证安全关键应用的方法仍然是主要挑战之一,本文介绍了基于仿真的开发平台,用于验证和验证连续工程循环中的安全关键学习型系统。
- 使用 SCROD Pipeline 标识物体检测器中的系统性错误
通过结合物理模拟器和生成模型的优势,本研究提出了一种新颖的框架,可以以全自动且可扩展的方式生成具有细粒度控制的街景图像,并引入了一种评估设置,可作为类似流程的基准,从而促进该领域的发展和推进标准化测试程序。