Ctx2TrajGen: Traffic Context-Aware Microscale Vehicle Trajectories using Generative Adversarial Imitation Learning
本文提出 Ctx2TrajGen 框架,融合 GAIL、PPO 与 WGAN-GP,并依据周围车辆和道路几何生成交互感知轨迹,在 DRIFT 数据集上显著提升真实性、多样性与情境保真度。
2025-07-23 cs.AI cs.LG
Anomaly Detection in Multi-Agent Trajectories for Automated Driving
Mercedes-Benz AG(梅赛德斯-奔驰股份公司);Ulm University(乌尔姆大学)
人类驾驶员可以快速识别异常驾驶情况,以避免事故。与人类类似,自动驾驶汽车应该执行异常检测。在这项工作中,我们提出了时空图自动编码器学习正常的驾驶行为。我们的创新是能够共同学习动态数量的代理的多个轨迹。为了执行异常检测,我们首先估计学习的轨迹特征表示的密度函数,然后检测低密度区域中的异常。由于缺乏用于自动驾驶中异常检测的多智能体轨迹数据集,我们使用驾驶模拟器介绍了我们的数据集,用于正常和异常操纵。我们的评估表明,我们的方法学习不同的代理之间的关系,并提供有前途的结果相比,相关的作品。代码、模拟和数据集可在https://github.com/againerju/maad_highway上公开获得。
2021-10-28 cs.LG cs.MA cs.RO
UniGen: Unified Modeling of Initial Agent States and Trajectories for Generating Autonomous Driving Scenarios
Waymo(威摩科技)
提出 UniGen 统一建模新智能体位置、初始状态与轨迹,并结合自回归注入生成低碰撞率逼真驾驶场景,在 Waymo Open Motion Dataset 上超越现有方法。
2024-05-06 cs.LG cs.RO
How To Not Drive: Learning Driving Constraints from Demonstration
Huawei Technologies(华为技术有限公司)
我们提出了一个新的计划,学习运动规划约束,从人类驾驶轨迹。行为和运动规划是自动驾驶系统的关键组成部分。行为规划负责遵守交通规则并与其他道路参与者互动所需的高层次决策。运动规划器的作用是为自动驾驶车辆生成可行、安全的轨迹。轨迹通过优化方案生成,以基于与平滑度、可移动性和舒适度相关的度量来优化成本函数,并且受到从计划行为、安全考虑和可行性导出的一组约束。通常的做法是手动设计成本函数和约束。最近的工作研究了从人类驾驶演示中学习成本函数。虽然有效,但这些方法在自动驾驶中的实际应用仍然值得怀疑。相比之下,本文的重点是学习驾驶约束,这可以作为现有自动驾驶解决方案的附加模块。为了学习约束,规划问题被制定为一个受约束的马尔可夫决策过程,其元素被假定为已知的,除了约束。然后通过学习专家轨迹的分布并估计属于所学习的分布的最优轨迹的概率来学习约束。该方案使用NGSIM数据集进行评估,产生小于1\%的碰撞率和道路机动时,学习的约束条件是在基于优化的运动规划器中使用。
2021-10-01 cs.LG cs.RO
Motion planning for off-road autonomous driving based on human-like cognition and weight adaptation
School of Mechanical Engineering, Beijing Institute of Technology(北京理工大学机械工程学院)
针对越野自动驾驶中固定代价函数难以适应复杂地形的问题,提出基于类人认知与权重自适应的运动规划器,通过构建多层地图并利用CNN-LSTM学习人类驾驶轨迹,生成高适应性、稳定且高效的轨迹。
2024-04-27 cs.AI cs.LG cs.RO
Emotion in an active inference model of human driving
Delft University of Technology(代尔夫特理工大学);Waymo LLC(Waymo有限责任公司)
本研究在连续状态的驾驶主动推理模型中,扩展了效价与唤醒的情感表征,结合当前状态与未来预测结果,在交互式驾驶场景中验证了该情感信号与实际模式相符。
2026-08-11 cs.AI cs.HC cs.LG
Scalable Unsupervised Multi-Criteria Trajectory Segmentation and Driving Preference Mining
Universität Stuttgart(斯图加特大学);Aalborg University(奥尔堡大学)
我们提出了大型轨迹数据集的分析技术,其目的是提供一个语义理解的轨迹达到超越他们在时间和空间上的点序列。所提出的技术使用驾驶偏好模型w.r.t.路段穿越成本,例如,旅行时间和距离,分析和解释轨迹。特别地,我们提出了轨迹挖掘技术,其可以(a)在轨迹内找到感兴趣的点,例如,经由点,以及(b)基于驾驶员所选择的轨迹恢复驾驶员的驾驶偏好。我们评估我们的技术上的任务,通过点识别和个性化的路由使用的数据集超过1万辆车的轨迹收集在整个丹麦在3年的时间。我们的技术可以有效地实现,并且是高度并行的,允许它们扩展到数百万或数十亿的轨迹。
2020-10-23 cs.DB cs.LG cs.RO
Towards Explainable, Safe Autonomous Driving with Language Embeddings for Novelty Identification and Active Learning: Framework and Experimental Analysis with Real-World Data Sets
University of California San Diego(加利福尼亚大学圣迭戈分校);Laboratory for Intelligent and Safe Automobiles(智能与安全汽车实验室)
本研究提出一种基于CLIP语言嵌入的自动驾驶主动学习框架,通过聚类检测意外新颖场景并生成文本解释,实现安全接管与数据整理。
2024-02-11 cs.AI cs.CV cs.LG
Probabilistic Prediction of Interactive Driving Behavior via Hierarchical Inverse Reinforcement Learning
University of California, Berkeley(加州大学伯克利分校)
自动驾驶汽车(AVs)已经上路。为了安全有效地与其他道路参与者进行交互,自动驾驶汽车必须准确预测周围车辆的行为并相应地进行规划。这种预测应该是概率性的,以解决人类行为中的不确定性。这种预测也应该是互动的,因为在所有可能的轨迹的预测车辆的分布不仅取决于历史信息,但也对未来的计划,其他车辆与它互动。为了实现这种互动感知的预测,我们提出了一种概率预测方法的基础上分层逆强化学习(IRL)。首先,我们明确地考虑了人类驾驶员的分层自动生成过程,涉及离散和连续的驾驶决策。在此基础上,在所有未来轨迹的预测车辆的分布被制定为一个混合的分布划分的离散决策。然后,我们应用IRL分层学习分布从真正的人类示威。提供了一个案例研究的坡道合并驾驶方案。定量结果表明,所提出的方法可以准确地预测离散的驾驶决策,如屈服或通过以及连续的轨迹。
2018-09-09 cs.AI cs.LG cs.RO
Optimizing Trajectories for Highway Driving with Offline Reinforcement Learning
University of Freiburg(弗莱堡大学);BMW Group(宝马集团)
实现能够输出可行、平滑和高效轨迹的自动驾驶车辆是一项长期挑战。已经考虑了几种方法,大致分为两类:基于规则的方法和基于学习的方法。基于规则的方法虽然保证了安全性和可行性,但在长期规划和推广方面存在不足。基于学习的方法能够解释长期规划和对未知情况的概括,但可能无法实现基于规则的方法所确保的平滑性,安全性和可行性。因此,将这两种方法结合起来,显然是朝着在两者之间取得最佳折衷的方向迈出的一步。我们提出了一种基于强化学习的方法,该方法可以学习高速公路上完全自动驾驶的目标轨迹参数。经过训练的代理输出连续的轨迹参数,基于这些参数生成并执行可行的基于多项式的轨迹。我们比较我们的代理对其他四个高速公路驾驶代理的性能。实验是在相扑模拟器中进行的,考虑到各种现实的,动态变化的高速公路场景,包括周围的车辆与不同的驾驶员行为。我们证明,我们的离线训练代理,随机收集的数据,学习驾驶平稳,实现速度尽可能接近所需的速度,同时优于其他代理。代码、训练数据和详细信息请访问:www.example.com。de/branka. mirchevska/offline-rl-tp.
2022-03-21 cs.LG cs.RO
Active Timepoint Selection for Learning Measure-Valued Trajectories
DAMTP, University of Cambridge(剑桥大学 DAMTP 实验室)
针对高成本破坏性数据获取场景,提出基于线性化最优传输的主动学习框架,通过高斯过程建模概率路径并迭代选择最优测量时间点以最小化不确定性。
2026-05-28 cs.AI cs.LG stat.ML
Localized Conformal Safety Monitoring with Vision-Language Models for Autonomous Driving
University of Michigan(密歇根大学)
针对自动驾驶安全监控,提出分割标签局部共形预测(SLLCP),在冻结视觉语言模型上实现事后校准,将碰撞检测率从4.6%提升至89.6%。
2026-10-05 cs.LG cs.RO
Perception Without Vision for Trajectory Prediction: Ego Vehicle Dynamics as Scene Representation for Efficient Active Learning in Autonomous Driving
本研究提出基于轨迹状态聚类与采样策略的主动学习方法,利用自车轨迹动态信息筛选数据,在nuScenes轨迹预测任务中以更低数据成本超越随机采样性能,验证了低成本数据筛选提升自动驾驶系统效率与鲁棒性的可行性。
2024-05-20 cs.AI cs.CV cs.LG
Towards Human-Like Driving: Active Inference in Autonomous Vehicle Control
本文将主动推理与深度学习结合用于自动驾驶汽车横向控制,在CARLA中以有限数据实现车道跟随,并在适应性与计算效率上优于传统方法。
2024-09-16 cs.AI cs.LG cs.NE
Aligning Multi-Trajectory Supervision with Policy Optimization for VLA Driving
School of Computer Science, Wuhan University(武汉大学计算机学院);Dongfeng Research & Development Institute(东风研发院)
针对VLA驾驶中多轨迹与GRPO不对齐的问题,本文提出对齐框架,引入两种互补机制,在NAVSIM数据集上取得优于GRPO基线的性能。
2026-09-01 cs.AI cs.CV cs.LG
The Role of Machine Learning for Trajectory Prediction in Cooperative Driving
King’s College London(伦敦国王学院);Centre For Telecommunications Research Department of Engineering(电信研究中心工程系)
在本文中,我们研究的作用,机器学习可以发挥协同驾驶。鉴于现代车辆和道路基础设施的连接率不断提高,协同驾驶是自动驾驶的第一步。本文探讨的示例场景是协调车道合并,数据汇集、测试和评估都在汽车测试轨道上进行。假设车辆是配备车载通信单元的车辆(即连接车辆)和未连接车辆的混合。然而,路边摄像头是连接的,可以捕捉所有车辆,包括那些没有连接的车辆。我们开发了一个交通导航器,它可以根据这两个信息源(即连接的车辆和连接的路边摄像头)来建议轨迹。建立推荐的轨迹,然后将其传达回连接的车辆。我们探索使用不同的机器学习技术,准确和及时的预测轨迹。
2020-10-21 cs.LG cs.RO
Hierarchical Model-Based Imitation Learning for Planning in Autonomous Driving
Waymo(Waymo公司)
我们展示了基于模型的生成对抗模仿学习(MGAIL)在密集城市自动驾驶任务中的首次大规模应用。我们增加标准MGAIL使用层次模型,使泛化到任意目标路线,并使用模拟交互式代理的闭环评估框架来衡量性能。我们从在旧金山行驶超过10万英里的真实车辆收集的专家轨迹中训练训练策略,并展示了一种可操纵的策略,即使在zero-shot设置中也可以稳健地导航,推广到具有现实驾驶中从未发生过的新目标的合成场景。我们还证明了混合闭环MGAIL损失与开环行为克隆损失的重要性,并显示我们的最佳策略方法的专家的性能。我们评估我们的模仿模型在平均和具有挑战性的情况下,并显示它如何可以作为一个有用的计划成功的轨迹之前。
2022-10-18 cs.AI cs.LG cs.RO
Trajectory Prediction for Autonomous Driving in Road Construction Zones Using Human-in-the-Loop Driving Data
New York University(纽约大学)
本研究针对城市道路施工区自车轨迹预测的研究空白,构建了多模态数据集WZDrive-Data,提出模型WZDrive,显著提升了施工区轨迹预测精度。
2026-10-12 cs.AI cs.LG cs.RO
Assessing Markov Property in Driving Behaviors: Insights from Statistical Tests
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本研究通过统计检验验证自动驾驶与人类驾驶轨迹的马尔可夫性质,发现自动驾驶轨迹具有更强且更低阶的马尔可夫性质,为驾驶行为建模与交通仿真提供依据。
2025-01-18 cs.LG cs.SY eess.SY
The highD Dataset: A Drone Dataset of Naturalistic Vehicle Trajectories on German Highways for Validation of Highly Automated Driving Systems
RWTH Aachen University(亚琛工业大学);Institute for Automotive Engineering(汽车工程研究所)
基于场景的高度自动化车辆安全验证测试是一种很有前途的方法,正在研究和工业中进行研究。这种方法在很大程度上依赖于来自真实场景的数据,以获得测试所需的场景信息。应尽合理努力收集测量数据,其中应包含道路使用者的自然行为,并包括与描述已识别情景相关的所有数据。然而,目前的测量方法不能满足至少一个要求。因此,我们提出了一种新的方法来测量数据,从空中的角度为基础的验证,满足上述要求。此外,我们提供了一个大规模的自然车辆轨迹数据集,从德国的高速公路称为highD。我们从数量、种类和包含的场景方面评估数据。我们的数据集包括来自六个地点的16.5小时测量,110000辆车,总行驶距离为45000公里,记录了5600次完整的车道变换。highD数据集可在以下网址在线获取:http://www.highD-dataset.com
2018-10-11 cs.AI cs.CV cs.IR
Learning to Explain While Planning: Rule-Aligned Diffusion Planning for Autonomous Driving
Beijing Institute of Technology(北京理工大学)
针对扩散规划器缺乏显式规则建模和解释的问题,提出规则对齐扩散规划器(RADP)将可微驾驶规则融入训练,并引入规则压力归因(RPA)在线估计规则作用,实验验证了安全关键场景下的闭环性能提升和规则级可解释性。
2026-10-02 cs.LG
Bidirectional Interaction between Visual and Motor Generative Models using Predictive Coding and Active Inference
CY University(CY大学);ENSEA(ENSEA国立高等电子与应用学院);CNRS(法国国家科学研究中心)
在这项工作中,我们建立在主动推理(AIF)和预测编码(PC)框架的基础上,提出了一种神经架构,包括一个用于感觉预测的生成模型和一个用于运动轨迹的独特生成模型。我们强调如何序列的感官预测可以作为轨道指导学习,控制和在线适应运动轨迹。此外,我们还探讨了运动和视觉模块之间的双向相互作用的影响。该体系结构进行了测试的模拟机器人手臂学习再现手写字母的控制。
2021-04-19 cs.AI cs.LG cs.NE
A Generic Framework for Clustering Vehicle Motion Trajectories
Chalmers University of Technology(查尔姆斯理工大学)
自动驾驶汽车的发展需要在相关的驾驶场景中访问大量数据。然而,这种驾驶场景的手动注释是昂贵的,并且容易受到基于规则的轨迹标记系统中的错误的影响。为了解决这个问题,我们提出了一个有效的非参数轨迹聚类框架,包括五个阶段:(1)对齐轨迹并量化它们的成对时间相异性,(2)将基于相似性的相异性嵌入到向量空间中,(3)提取传递关系,(4)将传递关系嵌入到新的向量空间中,以及(5)以最佳数目的簇对轨迹进行聚类。我们调查和评估一个具有挑战性的现实世界的数据集组成的注释轨迹的建议框架。我们观察到,所提出的框架取得了可喜的成果,尽管具有不同长度的轨迹所造成的复杂性。此外,我们扩展了框架,以验证真实数据集与生成对抗网络(GAN)生成的合成数据的增强,我们检查生成的轨迹是否与真实的底层集群一致。
2020-09-25 cs.LG stat.ML
The Why, When, and How to Use Active Learning in Large-Data-Driven 3D Object Detection for Safe Autonomous Driving: An Empirical Exploration
University of California San Diego(加利福尼亚大学圣迭戈分校);Aalborg University(奥尔堡大学)
针对自动驾驶3D目标检测的数据不平衡、冗余等问题,本文实证探索主动学习策略,验证熵查询在nuScenes数据集上相较随机采样的优势,可高效分配标注资源、缩小类别性能差距,适用于资源受限场景。
2024-01-30 cs.CV cs.LG
Self-Supervised Action-Space Prediction for Automated Driving
Robert Bosch GmbH(罗伯特·博世股份有限公司);Research Center for Information Technology (FZI)(信息技术研究中心(FZI))
做出明智的驾驶决策需要可靠地预测其他车辆的轨迹。在本文中,我们提出了一种新的学习多模态轨迹预测架构的自动驾驶。它通过将学习问题投射到加速度和转向角度的空间来实现运动学上可行的预测-通过执行动作空间预测,我们可以利用有价值的模型知识。此外,动作流形的维数低于状态流形的维数,其内在相关的状态更难以以学习的方式捕获。对于动作空间预测,我们提出了简单的前馈空间预测(FFW-ASP)架构。然后,我们建立在这个概念,并介绍了新的自我监督的空间预测(SSP-ASP)的架构,输出未来的环境背景下的功能,除了轨迹。自我监督架构中的一个关键要素是,基于观察到的动作历史和过去的上下文特征,在未来轨迹之前预测未来的上下文特征。所提出的方法在包含城市交叉口和环形交叉口的真实数据集上进行了评估,并显示出准确的预测,在几个预测指标中优于最先进的运动学可行预测。
2021-09-21 cs.CV cs.LG cs.RO
BALLAST: Bayesian Active Learning with Look-ahead Amendment for Sea-drifter Trajectories under Spatio-Temporal Vector Fields
Lancaster University(兰卡斯特大学);University of New South Wales(新南威尔士大学);University of Western Australia(西澳大学)
本文提出了一种正式的主动学习方法,用于指导拉格朗日观测器的布置,以推断时间依赖的向量场,该方法利用了物理信息的空间-时间高斯过程代理模型。现有放置活动主要遵循标准的'空间填充'设计或相对随意的专家意见。在该设置中应用原理性主动学习的主要挑战是拉格朗日观测器持续被向量场推动,因此在不同位置和时间进行测量。因此,考虑已放置观测器的可能未来轨迹以评估候选放置位置的效用至关重要。为此,我们提出了BALLAST:用于海漂体轨迹的贝叶斯主动学习与前瞻性修正。我们观察到BALLAST辅助的顺序观测器布置策略在合成和高保真海洋流模型中均表现出显著优势。此外,我们还开发了一种新的GP推理方法——Vanilla SPDE Exchange(VaSE)——以提高GP后验采样效率,这也具有独立的研究价值。
2026-05-21 cs.LG stat.ML
EMMA: End-to-End Multimodal Model for Autonomous Driving
Waymo LLC(Waymo公司)
本文提出端到端多模态自动驾驶模型 EMMA,基于多模态大语言模型将传感器数据与驾驶任务统一为自然语言处理,在运动规划、三维目标检测和道路图任务上取得领先结果,展示了通用自动驾驶模型的潜力。
2025-09-23 cs.AI cs.CL cs.CV
Control-ITRA: Controlling the Behavior of a Driving Model
Inverted AI;University of British Columbia(不列颠哥伦比亚大学);Amii
本文提出Control-ITRA方法,通过路径点分配和目标速度调节控制驾驶模型行为,生成可控且无违规的轨迹,同时保持真实感。
2025-01-17 cs.AI cs.LG cs.RO
JFP: Joint Future Prediction with Interactive Multi-Agent Modeling for Autonomous Driving
Waymo(Waymo公司)
我们提出了JFP,一个联合未来预测模型,可以学习生成准确和一致的多智能体未来轨迹。对于这项任务,已经提出了许多不同的方法来捕获模型编码部分的社会交互,然而,在解码器和输出阶段中表示交互的关注要少得多。结果,预测的轨迹不一定彼此一致,并且经常导致不切实际的轨迹重叠。相比之下,我们提出了一个端到端的可训练模型,它直接学习结构化图形模型中的代理对之间的交互,以生成一致的未来轨迹。它在Waymo Open Motion Dataset(WOMD)上为交互式设置设置了新的最先进的结果。我们还研究了一个更复杂的多智能体设置为WOMD和一个更大的内部数据集,我们的方法显着提高了轨迹重叠指标,同时获得同等或更好的性能单智能体轨迹指标。
2022-12-16 cs.LG cs.MA cs.RO
Learning Personalized Driving Styles via Reinforcement Learning from Human Feedback
Shanghai Jiao Tong University(上海交通大学);Shanghai Qi Zhi Institute(上海启智研究院);Peking University(北京大学);LiAuto;Tsinghua University(清华大学)
针对生成式轨迹模型难以捕捉个性化驾驶风格的问题,提出人类反馈驱动微调框架TrajHF,结合多条件去噪器与人类反馈强化学习,在NavSim基准上达到最先进性能,实现个性化自适应轨迹生成。
2025-09-26 cs.CV cs.LG cs.RO
DeeAD: Dynamic Early Exit of Vision-Language Action for Efficient Autonomous Driving
City University of Hongkong(香港城市大学);Mohamed bin Zayed University of Artificial Intelligence(马尔代夫 bin Zayed 人工智能大学)
DeeAD通过动态早期退出机制提升自动驾驶中视觉-语言动作模型的效率,实现28%的变换器层稀疏性和29%的延迟减少,同时保持规划质量和安全。
2025-11-25 cs.AI cs.CV cs.LG
CMTS: Conditional Multiple Trajectory Synthesizer for Generating Safety-critical Driving Scenarios
Carnegie Mellon University(卡内基梅隆大学)
自然驾驶轨迹对于自动驾驶算法的性能至关重要。然而,大多数数据是在安全的情况下收集的,导致轨迹的重复,这很容易被目前开发的算法处理。在考虑安全性时,在几乎没有出现在现成数据集中的情况下测试算法是评估的重要组成部分。作为一种补救措施,我们提出了一种基于变分贝叶斯方法的近炸数据合成框架,并称之为条件多轨迹合成器(CMTS)。我们利用一个生成模型的条件下,道路地图桥梁安全和碰撞驾驶数据,代表他们在潜在空间中的分布。通过从未遂分布中采样,我们可以合成对于理解交通场景至关重要的安全关键数据,但这些数据既没有显示在原始数据集中,也没有显示在碰撞数据集中。实验结果表明,增强后的数据集覆盖了更多的驾驶场景,尤其是近距离碰撞场景,提高了轨迹预测的准确性和处理危险驾驶场景的能力。
2019-10-02 cs.CV cs.LG cs.RO
Policy Learning for Active Target Tracking over Continuous SE(3) Trajectories
University of California San Diego(加州大学圣迭戈分校)
本文提出一种基于模型的策略梯度算法,通过设计包含注意力机制的神经网络控制策略并显式推导目标熵梯度,实现了移动机器人对动态目标的高效主动跟踪。
2023-05-16 cs.LG cs.RO
A knowledge-augmented dataset of high-risk driving scenarios with LLM annotations for autonomous driving
Korea Advanced Institute of Science and Technology(韩国科学技术院);Fudan University(复旦大学);Massachusetts Institute of Technology(麻省理工学院);Shanghai Jiao Tong University(上海交通大学);Tsinghua University(清华大学)
研究自动驾驶中高风险场景数据不足问题,核心方法是构建K-Risk数据集,整合多源轨迹数据并利用大语言模型生成注释,主要贡献是为自动驾驶开发和评估提供标准化基础。
2026-07-09 cs.DB cs.LG
Active Perception using Light Curtains for Autonomous Driving
Carnegie Mellon University(卡内基梅隆大学)
大多数现实世界的3D传感器(如LiDAR)对整个环境进行固定扫描,同时与处理传感器数据的识别系统解耦。在这项工作中,我们提出了一种使用光幕进行3D对象识别的方法,光幕是一种资源高效的可控传感器,可以在环境中用户指定的位置测量深度。至关重要的是,我们建议使用基于深度学习的3D点云检测器的预测不确定性来引导主动感知。给定神经网络的不确定性,我们使用最大化信息增益的原则推导出放置光幕的优化目标。然后,我们开发了一种新的和有效的优化算法,以最大限度地提高这一目标,通过编码到一个约束图的设备的物理约束和优化与动态规划。我们展示了如何训练3D检测器通过顺序放置不确定性引导光幕来检测场景中的对象,以连续提高检测精度。代码和细节可以在项目网页上找到:http://siddancha.github.io/projects/active-perception-light-curtains。
2020-08-05 cs.CV cs.LG cs.RO
KING: Generating Safety-Critical Driving Scenarios for Robust Imitation via Kinematics Gradients
Mercedes-Benz AG R&D(梅赛德斯-奔驰股份公司研发部);University of Tübingen(蒂宾根大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
模拟器为安全、低成本地开发自动驾驶系统提供了可能性。然而,目前的驾驶模拟器表现出幼稚的行为模型的背景交通。手动调整的场景通常在模拟过程中添加,以引发安全关键情况。另一种方法是反向扰动背景流量轨迹。在本文中,我们研究这种方法,以安全关键的驾驶场景生成使用的CARLA模拟器。我们使用一个运动学的自行车模型作为模拟器的真实动态的代理,并观察到通过这个代理模型的梯度足以优化背景交通轨迹。基于这一发现,我们提出了KING,它生成的安全关键驾驶场景的成功率比黑盒优化高20%。通过解决由国王使用特权规则为基础的专家算法产生的情况下,我们获得的模仿学习政策的训练数据。在对这些新数据进行微调后,我们发现该策略在避免碰撞方面变得更好。重要的是,我们生成的数据减少了通过KING生成的保留场景以及传统手工制作场景的冲突,证明了鲁棒性的提高。
2022-04-28 cs.CV cs.LG cs.RO
ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable
Sorbonne Université(索邦大学)
针对真实世界安全关键驾驶场景数据稀缺的问题,提出ReGentS框架,通过轨迹优化修改常规场景生成安全关键场景,稳定轨迹并避免无效碰撞,支持最多32个智能体,借助可微分模拟器简化优化,助力自动驾驶系统训练。
2024-09-12 cs.CV cs.LG cs.RO