Exploring the Influence of Driving Context on Lateral Driving Style Preferences: A Simulator-Based Study
Technical University Berlin(柏林工业大学);University of Applied Science Kempten(肯普滕应用科学大学);Institute for Driver Assistance and Connected Mobility(驾驶员辅助与互联移动研究所)
本文利用高保真驾驶模拟器开展德国受试者对照实验,考察天气与对向交通等情境下自动驾驶车辆的横向驾驶风格偏好,发现更被动风格更受偏好且情境显著影响舒适度。
2024-04-10 cs.RO cs.SY eess.SY
Exploring Contextual Representation and Multi-Modality for End-to-End Autonomous Driving
Aalto University(阿尔托大学);Finnish Center for Artificial Intelligence(芬兰人工智能中心);Gwangju Institute of Science and Technology(光州科学技术院);University of Alberta(阿尔伯塔大学);King Abdulaziz University(阿卜杜勒阿齐兹国王大学);Polish Academy of Sciences(波兰科学院)
本文受人类驾驶神经地图启发,提出融合三摄像头与鸟瞰语义数据的端到端自动驾驶框架,利用自注意力和视觉Transformer建模多模态上下文,在nuScenes和CARLA基准上显著提升了驾驶性能与路线完成率。
2024-01-16 cs.LG cs.RO
Exploring the Interplay Between Video Generation and World Models in Autonomous Driving: A Survey
School of Computer Science and Engineering, Southeast University(东南大学计算机科学与工程学院);Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Ministry of Education, China(教育部新一代人工智能技术及其交叉应用重点实验室(东南大学));School of Computer Science and Engineering, Nanjing University of Science and Technology(南京理工大学计算机科学与工程学院);DiDi Chuxing(滴滴出行);UCAS-Terminus AI Lab(国科 Terminus 人工智能实验室)
本文综述了自动驾驶中视频生成与世界模型的相互作用,分析其结构相似性及评估指标,指出挑战并展望未来方向,以推动更安全可靠的自动驾驶系统。
2024-11-05 cs.AI cs.CV cs.RO
Want a Ride? Attitudes Towards Autonomous Driving and Behavior in Autonomous Vehicles
Johannes Kepler University Linz(约翰内斯·开普勒大学林茨分校)
本文通过12人实地实验,发现对自动驾驶的态度并不影响驾驶干预和视线行为,指出缺乏实地测试的自动驾驶研究在评估行为、态度与接受度方面可能不可靠。
2024-09-04 cs.HC cs.RO
ForceFormer: Exploring Social Force and Transformer for Pedestrian Trajectory Prediction
Leibniz University Hannover(汉诺威莱布尼茨大学);University of Twente(特温特大学);Clausthal University of Technology(克劳斯塔尔工业大学)
在高度交互的场景中,基于目标信息预测行人的轨迹是智能交通系统和自动驾驶的关键一步。这项任务的挑战来自两个关键来源:(1)高行人密度场景中的复杂社交互动,以及(2)目标信息的有限利用,以有效地与过去的运动信息相关联。为了解决这些困难,我们将社会力量整合到基于Transformer的随机生成模型中,并提出了一种新的基于目标的轨迹预测器ForceFormer。区别于大多数以前的作品,简单地使用目的地的位置作为输入功能,我们利用从目的地的驱动力,有效地模拟行人的目标的指导。此外,排斥力被用作另一个输入特征来描述相邻行人之间的回避动作。大量的实验表明,我们提出的方法实现了与最先进的模型的距离误差测量的同等性能,但明显减少碰撞,特别是在密集的行人场景中广泛使用的行人数据集。
2023-02-15 cs.CV cs.MA cs.RO
On Exploring Input Resolution Scaling For Anytime LiDAR Object Detection
The National Defense University(国防大学);George Mason University(乔治梅森大学);The University of Kansas(堪萨斯大学)
研究为处理激光雷达点云的深度神经网络实现任意时刻计算,提出新方法可多分辨率推理,引入期限感知调度器,内存高效只需单个模型,实验表明优于现有方法,部署在模拟系统可实现无碰撞导航并避免停顿。
2026-07-10 cs.LG cs.RO
Exploring Map-based Features for Efficient Attention-based Vehicle Motion Prediction
University of Alcalá(阿尔卡拉大学);University of Würzburg(维尔茨堡大学)
多个智能体的运动预测(MP)是任意复杂环境中的一项关键任务,从社交机器人到自动驾驶汽车。目前的方法使用端到端网络来解决这个问题,其中输入数据通常是场景的渲染俯视图和所有代理的过去轨迹;利用这些信息是获得最佳性能的必要条件。从这个意义上说,可靠的自动驾驶(AD)系统必须及时产生合理的预测,然而,尽管许多方法使用简单的ConvNets和LSTM,但当使用两种信息源(地图和轨迹历史)时,模型可能对实时应用不够有效。此外,这些模型的性能高度依赖于训练数据的量,这可能是昂贵的(特别是注释的HD地图)。在这项工作中,我们将探讨如何使用高效的基于注意力的模型在Argoverse 1.0 Benchmark上实现有竞争力的性能,该模型将过去的轨迹和基于地图的特征作为输入,以确保有效和可靠的MP。这些特征将可解释的信息表示为可驾驶区域和看似合理的目标点,这与基于CNN的黑盒地图处理方法相反。
2022-06-11 cs.CV cs.RO
Symbolic Perception Risk in Autonomous Driving
Lehigh University(理海大学)
我们开发了一个新的框架来评估存在外源性噪音的交通标志分类任务中的误解风险。我们在自动驾驶环境中考虑这个问题,由于分辨率的提高,视觉输入质量逐渐提高,并且由于到交通标志的距离减小,噪声减少。使用使用标准分类算法获得的估计感知统计数据,我们的目标是量化错误感知的风险,以减轻不完美的视觉观察的影响。通过探索感知输出,他们的预期高层次的行动,和潜在的成本,我们展示了封闭形式的代表性的条件风险价值(CVaR)的误解。几个案例研究支持我们提出的方法的有效性。
2023-03-16 cs.CV cs.RO
Pylot: A Modular Platform for Exploring Latency-Accuracy Tradeoffs in Autonomous Vehicles
UC Berkeley(加州大学伯克利分校)
我们介绍了Pylot,一个用于自动驾驶汽车(AV)研究和开发的平台,其目标是让研究人员研究其模型和算法的延迟和准确性对AV端到端驾驶行为的影响。这是通过模块化结构实现的,该模块化结构由我们的高性能Analog系统实现,该系统代表AV软件管道组件(对象检测器,运动规划器等)。作为使用时间戳消息在数据流上通信的操作符的图。Pylot易于与流行的AV模拟器(如CARLA)接口,并且可以轻松部署到真实世界的车辆中,只需最少的代码更改。为了减少开发整个管道来评估单个组件的负担,Pylot为AV管道的各种组件提供了几个最先进的参考实现。使用这些参考实现,基于Pylot的AV管道能够驾驶真实车辆,并在CARLA自动驾驶挑战赛中获得高分。我们还提出了几个案例研究,使Pylot,包括需要上下文相关的组件,和每个组件的时间分配的证据。Pylot是开源的,代码可以在https://github.com/erdos-project/pylot上找到。
2021-04-16 cs.RO
TreeIRL: Safe Urban Driving with Tree Search and Inverse Reinforcement Learning
Motional
TreeIRL结合蒙特卡洛树搜索与逆强化学习,在仿真和500多英里真实道路测试中实现安全、高效且类人的自动驾驶规划,为城市驾驶规划提供新方案。
2025-10-25 cs.AI cs.LG cs.RO
Traffic-Aware Autonomous Driving with Differentiable Traffic Simulation
University of Maryland at College Park(马里兰大学帕克分校)
提出交通感知自动驾驶方法TrAAD,通过引入可微交通仿真信息指导模仿学习的速度控制监督,使自动驾驶车辆学会优化交通流并降低整体能耗。
2023-04-07 cs.MA cs.RO
Results and Lessons Learned from Autonomous Driving Transportation Services in Airfield, Crowded Indoor, and Urban Environments
Seoul National University(首尔大学);ThorDrive
本文分享了在机场、拥挤室内和城市环境中开展自动驾驶运输服务的研究成果与经验教训,探讨了应对独特挑战的方法并概述了未来待解决的问题。
2024-03-20 cs.RO
Exploring Navigation Maps for Learning-Based Motion Prediction
Mercedes-Benz AG(梅赛德斯-奔驰股份公司);Ulm University(乌尔姆大学);Mercedes-Benz Research & Development North America(梅赛德斯-奔驰北美研发中心)
对周围智能体运动的预测是实现安全自动驾驶的关键。在本文中,我们将探索导航地图作为基于学习的运动预测的主要高清(HD)地图的替代方案。导航地图提供道路层面的拓扑和几何信息,高清地图还提供厘米级的车道信息。因此,高清地图的获取既昂贵又耗时,而几乎覆盖全球的导航地图则可以免费获得。我们描述了一种将导航地图集成到基于学习的运动预测模型中的方法。为了在训练过程中利用本地可用的HD地图,我们还提出了一种与模型无关的知识蒸馏方法。在公开可用的Argoverse数据集与从OpenStreetMap获得的导航地图的实验中,我们的方法显示出显着的改进,根本不使用地图。结合我们的方法知识蒸馏,我们取得的结果是接近原来的HD地图依赖模型。我们公开提供的Argoverse导航地图API使研究人员能够使用导航地图开发和评估自己的方法。
2023-02-13 cs.AI cs.CV cs.LG
An Intrinsically-Motivated Approach for Learning Highly Exploring and Fast Mixing Policies
Politecnico di Milano(米兰理工大学);Università di Bologna(博洛尼亚大学)
对于一个在没有外部奖励的情况下与环境交互的智能体来说,什么是好的探索策略?理想情况下,我们希望在最少的步骤(快速混合)中获得一个朝向统一状态-动作访问(高度探索)的策略,以便以后轻松有效地学习任何目标条件策略。不幸的是,直接学习这种性质的最优策略非常困难。在本文中,我们提出了一种新的代理目标学习高度探索和快速混合的政策,其重点是最大限度地提高下限的稳态分布的熵诱导的政策。特别是,我们引入了三个新的下限,导致尽可能多的优化问题,权衡理论保证与计算复杂性。然后,我们提出了一个基于模型的强化学习算法,IDE $^{3}$ AL,学习一个最优的政策,根据介绍的目标。最后,我们提供了一组硬探索任务的经验评估该算法。
2019-12-19 cs.LG stat.ML
Self-Awareness Safety of Deep Reinforcement Learning in Road Traffic Junction Driving
University of South Australia(南澳大利亚大学);University of Tasmania(塔斯马尼亚大学);University of Technology Sydney(悉尼科技大学)
自动驾驶一直处于公众利益的最前沿,而广泛关注的一个关键辩论是交通系统的安全性。深度强化学习(DRL)已被应用于自动驾驶,为避障提供解决方案。然而,在道路交通路口场景中,车辆通常从运输环境接收部分观测,而DRL需要依靠长期奖励来通过最大化累积奖励来训练可靠的模型,这可能在探索新动作并在碰撞的情况下返回正奖励或惩罚时承担风险。虽然在设计奖励函数时通常会考虑安全问题,但它们并没有完全被视为直接评估DRL算法在自动驾驶中有效性的关键指标。在这项研究中,我们评估了三个基线DRL模型(DQN,A2 C和PPO)的安全性能,并提出了一个自我意识模块,从注意力机制的DRL,以改善在复杂的道路交通路口环境中的异常车辆的安全评估,如交叉口和环形交叉口的情况下,基于四个指标:碰撞率,成功率,冻结率和总奖励。我们在训练和测试阶段的两个实验结果显示,基线日间行车线的安全性能较差,而我们提出的自我意识注意力-DQN可以显着提高交叉口和环形交叉口场景的安全性能。
2022-01-20 cs.AI cs.LG
Exiting the Simulation: The Road to Robust and Resilient Autonomous Vehicles at Scale
在过去的二十年里,自动驾驶已经被机器学习不断增长的能力催化成为现实。这种模式转变具有巨大的潜力,可以改变移动性的未来,重塑我们整个社会。随着最近在感知、规划和控制能力方面的进步,自动驾驶技术正在进行公开试验,但我们仍然远远不能严格确保这些系统在驾驶环境的长尾性质下的弹性操作。考虑到现实世界测试的局限性,自动驾驶汽车仿真是探索自动驾驶能力边缘的关键组成部分,开发成功的现实世界操作所需的强大行为,并在部署之前从这些复杂系统中提取隐藏的风险。本文介绍了当前自动驾驶系统开发中使用的最先进的仿真框架和方法,重点介绍了如何使用仿真来构建现实世界操作所需的弹性,以及为弥合仿真与现实之间的差距而开发的方法。本文综合介绍了自动驾驶模拟面临的主要挑战,特别强调了进一步提高在模拟中不断学习的能力并将学习有效地转移到现实世界中的机会,使自动驾驶车辆能够退出模拟的护栏,并提供大规模的稳健和弹性操作。
2022-10-19 cs.AI cs.RO
Accelerating Reinforcement Learning for Autonomous Driving using Task-Agnostic and Ego-Centric Motion Skills
SenseTime Research(商汤科技研究院);The Chinese University of Hong Kong(香港中文大学);University of Toronto(多伦多大学);UC Berkeley(加州大学伯克利分校)
连续空间中的高效探索是将强化学习(RL)应用于自动驾驶的核心问题。从专家演示中学到的技能或为特定任务设计的技能可以使探索受益,但它们通常是昂贵的,不平衡的/次优的,或无法转移到不同的任务。然而,人类驾驶员可以通过在整个技能空间中进行有效和结构性的探索,而不是在有限的空间中使用特定于任务的技能,来适应各种驾驶任务,而无需进行演示。受上述事实的启发,我们提出了一种RL算法,探索所有可行的运动技能,而不是一组有限的特定于任务和以对象为中心的技能。在没有演示的情况下,我们的方法仍然可以在不同的任务中表现良好。首先,我们建立一个任务不可知和自我为中心(TaEc)的运动技能库在一个纯粹的运动的角度来看,这是多样化的,足以在不同的复杂任务中可重用。然后将运动技能编码到一个低维的潜在技能空间中,RL可以在其中进行有效的探索。在各种具有挑战性的驾驶场景中的验证表明,我们提出的方法,TaEc-RL,优于其同行显着的学习效率和任务性能。
2022-09-24 cs.RO
Exploring Domain Shift on Radar-Based 3D Object Detection Amidst Diverse Environmental Conditions
Robert Bosch GmbH(罗伯特·博世有限公司);University of Stuttgart(斯图加特大学)
本研究首次综合分析了4D雷达三维目标检测中的域偏移问题,揭示了天气、道路类型变化引发的显著域偏移及雷达点云生成的关键作用,为环境变化下的雷达数据采集策略提供参考。
2024-08-13 cs.AI cs.CV cs.LG
An Evaluation of Knowledge Graph Embeddings for Autonomous Driving Data: Experience and Practice
University of South Carolina(南卡罗来纳大学);Bosch Research and Technology Center(博世研究与技术中心)
自动驾驶(AD)行业正在探索使用知识图谱(KG)来管理车辆传感器生成的大量异构数据。配备的各种类型的传感器包括视频,激光雷达和雷达。场景理解是AD中的一个重要课题,它需要考虑场景的各个方面,例如检测到的对象、事件、时间和位置。最近的工作知识图谱嵌入(KGE)-一种促进神经符号融合的方法-已被证明可以提高机器学习模型的预测性能。期望通过KGE的神经符号融合将提高场景理解,本研究探讨了自动驾驶数据的KGE的生成和评估。我们还提出了一个调查的KG和其衍生嵌入的质量之间的关系的信息细节的水平。通过系统地评估KGE沿着四个维度-即质量度量,KG信息细节,算法和数据集-我们表明:(1)KG中更高级别的信息细节导致更高质量的嵌入,(2)基于语义过渡距离的TransE算法可以更好地捕获类型和关系语义,以及(3)一些度量,如一致性度量,可能不适合于本质上评估KGE在这一领域。此外,我们还提出了一个(早期)调查的有用性KGE在AD领域的两个用例。
2020-02-29 cs.AI cs.CV cs.LG
Beyond One Model Fits All: Ensemble Deep Learning for Autonomous Vehicles
Georgia Institute of Technology(佐治亚理工学院)
本文针对自动驾驶中单一感知建模范式的局限,构建对应中介感知、行为反射和直接感知的三类网络并进行融合,证明集成模型优于单一方法。
2023-12-10 cs.CV cs.LG cs.RO
Exploring Transformer-Augmented LSTM for Temporal and Spatial Feature Learning in Trajectory Prediction
University of Tennessee(田纳西大学)
本文提出一种结合LSTM与Transformer编码器的混合模型,用于车辆轨迹预测的时空特征学习,虽未超越现有LSTM方法,但展示了构建可解释预测模型的潜力。
2024-12-18 cs.CV cs.LG cs.RO
Exploring Computational User Models for Agent Policy Summarization
Harvard University(哈佛大学);Technion - Israel Institute of Technology(以色列理工学院)
人工智能智能体正在开发中,以支持从驾驶汽车到开处方药的高风险决策过程,这使得人类用户了解他们的行为变得越来越重要。策略总结方法的目的是通过展示这些代理在信息状态子集中的行为来传达它们的优点和缺点。一些策略总结方法提取总结,该总结在假设用户将部署反向强化学习的情况下优化重构代理策略的能力。在本文中,我们将探讨使用不同的模型来提取摘要。我们引入了一种基于模仿学习的策略摘要方法,通过计算机模拟证明了用于提取摘要的模型和用于重建策略的模型之间的不匹配会导致更差的重建质量;我们通过一项以人为对象的研究表明,人们在不同的环境中使用不同的模型来重建政策,并且将概要提取模型与这些匹配可以提高性能。总之,我们的研究结果表明,在策略总结中仔细考虑用户模型是很重要的。
2019-05-30 cs.LG stat.ML
Exploring acceptance of autonomous vehicle policies using KeyBERT and SNA: Targeting engineering students
Soongsil University(崇实大学);Neubility(纽比力科技)
本研究以韩国工科研究生为对象,提出结合KeyBERT与双余弦相似度的语境语义网络分析方法,对比共现网络分析挖掘用户对自动驾驶政策的接受度,指出事故政策潜在风险并给出管理建议,助力自动驾驶落地。
2023-07-18 cs.AI cs.CL cs.RO
Bayesian Optimization applied for accelerated Virtual Validation of the Autonomous Driving Function
Dipartimento di Meccanica, Politecnico di Milano(机械系,米兰理工学院)
针对自动驾驶功能验证中仿真成本高的问题,提出基于贝叶斯优化的框架,以远少于暴力实验设计的仿真次数发现关键场景,并验证了其在高维空间中的可扩展性。
2025-08-07 cs.RO cs.SY eess.SY
Stop-and-Go: Exploring Backdoor Attacks on Deep Reinforcement Learning-based Traffic Congestion Control Systems
New York University Tandon School of Engineering(纽约大学坦登工程学院);New York University Abu Dhabi(纽约大学阿布扎比分校)
最近的研究表明,在交通中引入自动驾驶汽车(AV)可以帮助减少交通堵塞。深度强化学习方法在复杂的控制问题中表现出良好的性能,包括自主车辆控制,并已用于最先进的AV控制器。然而,深度神经网络(DNN)使自动驾驶容易受到基于机器学习的攻击。在这项工作中,我们探讨了后门/木马的DRL为基础的AV控制器。我们开发了一个触发器的设计方法,是基于完善的交通物理学原理。恶意行为包括车辆减速和加速以导致出现走走停停的交通波(拥堵攻击)或AV加速导致AV撞到前面的车辆(保险攻击)。我们在单通道和双通道电路上测试我们的攻击。我们的实验结果表明,后门模型不损害正常的操作性能,与累积奖励的最大下降为1%。尽管如此,当相应的触发器出现时,它仍然可以被恶意激活以导致崩溃或拥塞。
2021-08-26 cs.CR cs.LG cs.SY
Exploring Real World Map Change Generalization of Prior-Informed HD Map Prediction Models
Nuro, Inc(努罗公司)
本文研究基于合成扰动先验训练的HD地图预测模型在真实世界地图变化中的泛化能力,通过大规模实验发现合成与真实变化间存在显著sim2real差距,限制模型实用性。
2024-06-05 cs.CV cs.RO
Autonomous Driving at Unsignalized Intersections: A Review of Decision-Making Challenges and Reinforcement Learning-Based Solutions
University of Waterloo(滑铁卢大学);Watonomous(滑铁卢自动驾驶团队)
本文综述了无信号交叉口自动驾驶的决策挑战,聚焦于结合强化学习与深度学习的穿越策略算法,通过比较分析指出尚无鲁棒方案,并提出了兼顾安全与非过度谨慎的可行研究方向。
2024-09-20 cs.RO cs.SY eess.SY
Automatically Learning Fallback Strategies with Model-Free Reinforcement Learning in Safety-Critical Driving Scenarios
Renault Software Labs(雷诺软件实验室);Eurecom(欧洲通信学院)
当学习在安全性至关重要的随机环境中行事时,例如在交通中驾驶车辆,人类驾驶员自然会计划后备策略,以备环境发生意外变化时使用。知道预料到意外,并为这些结果做好计划,可以提高我们对不可见场景的鲁棒性,并可能有助于防止灾难性故障。自动驾驶汽车(AV)的控制对于了解何时以及如何为了安全而使用回退策略特别感兴趣。由于AV可获得的关于其环境的不完善信息,重要的是准备好可能未从原始训练数据分布推导出的替代策略。在本文中,我们提出了一个原则性的方法,一个无模型强化学习(RL)代理捕捉环境中的多种行为模式。我们在奖励模型中引入了一个额外的伪奖励项,以鼓励探索不同于最优策略所赋予特权的状态空间区域。我们将这个奖励项基于代理轨迹之间的距离度量,以迫使策略专注于与初始探索代理不同的状态空间区域。在整个论文中,我们将这种特殊的培训模式称为学习后备策略。我们将这种方法应用于自动驾驶场景,并表明我们能够学习有用的策略,否则这些策略在训练过程中会被错过,并且在执行控制算法时无法使用。
2022-04-11 cs.LG
Exploring the Limitations of Behavior Cloning for Autonomous Driving
Computer Vision Center (CVC)(计算机视觉中心(CVC));Toyota Research Institute (TRI)(丰田研究院(TRI))
驾驶需要对各种复杂的环境条件和代理行为做出反应。对每一种可能的场景进行明确的建模是不现实的。相比之下,模仿学习理论上可以利用大量人类驾驶汽车的数据。特别是行为克隆已经成功地用于端到端学习简单的可视化策略,但是扩展到驾驶行为的全谱仍然是一个未解决的问题。在本文中,我们提出了一个新的基准实验研究的可扩展性和局限性的行为克隆。我们发现,行为克隆导致国家的最先进的结果,包括在看不见的环境中,执行复杂的横向和纵向机动,而这些反应被明确编程。然而,我们确认了众所周知的局限性(由于数据集偏差和过拟合),新的泛化问题(由于动态对象和缺乏因果模型),以及训练不稳定性,需要进一步研究,然后才能将行为克隆应用于现实世界的驾驶。所研究的行为克隆方法的代码可以在https://github.com/felipecode/coiltraine上找到。
2019-04-18 cs.AI cs.CV
Exploring OpenStreetMap Availability for Driving Environment Understanding
University of Texas at Dallas(德克萨斯大学达拉斯分校);Aptiv Inc.(安波福公司)
随着人工智能的巨大成就,车辆技术已经从以人为中心的驾驶向全自动驾驶迈进。智能车辆应该能够理解驾驶员对环境的感知以及控制车辆的行为。由于高数字化地图信息已经可以提供丰富的静态道路,建筑物和交通基础设施的环境背景下,这将是值得探索的地图数据能力,驾驶任务的理解。作为商业地图的替代品,OpenStreetMap(OSM)数据是一个免费的开放数据集,这使得它在勘探研究中是独一无二的。这项研究的重点是两个任务,利用OSM驾驶环境的理解。首先,从OSM元素中检索驾驶场景属性,将其与车辆动态信号相结合以用于驾驶事件识别。利用转向角变化并基于双向循环神经网络(Bi-RNN),将驾驶序列分割并分类为保持车道、向左变道、向右变道、左转和右转事件。第二,对于自动驾驶感知,OSM数据可以用于渲染虚拟街景,表示为先验知识,以与视觉/激光系统融合,用于道路语义分割。从OSM、图像和激光雷达点生成五种不同类型的道路掩模,并将其融合以表征驾驶员视角下的可驾驶空间。另一种数据驱动的方法是基于全卷积网络(FCN),讨论了OSM对深度学习方法的可用性,以揭示补偿街景图像和自动道路语义标注的潜在用途。
2019-03-11 cs.AI cs.HC
Towards exploring adversarial learning for anomaly detection in complex driving scenes
Institute for Software and Systems Engineering, Technische Universität Clausthal(克劳斯塔尔工业大学软件与系统工程研究所)
针对自主系统AI感知组件依赖训练数据、难以形式化验证的安全问题,探究对抗学习类异常检测技术在复杂驾驶场景数据集Berkeley DeepDrive上的性能表现。
2023-06-17 cs.AI cs.CV
DriveAction: A Benchmark for Exploring Human-like Driving Decisions in VLA Models
Li Auto Inc.
针对VLA模型缺乏动作级基准的问题,提出DriveAction基准,含16,185个问答对,并采用树状评估框架,证明视觉与语言输入对准确动作预测均不可或缺。
2025-09-26 cs.AI cs.CV
Exploring multimodal implicit behavior learning for vehicle navigation in simulated cities
Systems Engineering Department, Federal University of Santa Catarina, Florianopolis, Brazil Faculty of Science;Engineering, Information Technology Åbo Akademi University, Finland
针对标准行为克隆无法学习多模态驾驶决策的问题,本文提出数据增强的隐式行为克隆(DA-IBC),通过扰动专家动作构造反例并改进无导数推理初始化,在CARLA城市驾驶任务中有效学习多模态动作分布并优于标准IBC。
2025-09-18 cs.AI cs.LG cs.RO
Exploring Radar Data Representations in Autonomous Driving: A Comprehensive Review
School of Information Engineering, Yancheng Institute Technology(盐城理工学院信息工程学院);Thrust of Artificial Intelligence and Thrust of Intelligent Transportation, The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州)人工智能与智能交通研究所);Faculty of Science and Engineering, University of Liverpool(利物浦大学科学与工程学院);School of Advanced Technology, Xi’an Jiaotong-Liverpool University(西安交通大学利物浦大学高级技术学院);School of Information Science and Technology, Nantong University(南通大学信息科学与技术学院)
本综述系统梳理自动驾驶中五种雷达数据表示(ADC信号、雷达张量、点云、栅格地图、微多普勒特征)的生成、数据集、方法及优劣,并探讨挑战与未来方向,为雷达感知研究提供全面指导。
2025-04-21 cs.AI cs.CV
Exploring Camera Encoder Designs for Autonomous Driving Perception
针对通用视觉编码器适配自动驾驶感知任务存在优化空间、公开基准数据不足导致评估不准的问题,以ConvNeXt为基础调整多维度设计参数,得到的专属相机编码器较基线mAP提升8.79%,为自动驾驶感知编码器设计提供参考。
2024-07-09 cs.AI cs.CV
Uncertainty-Driven Self-Play for Robust Multi-Agent Driving Policies
Mercedes-Benz AG(梅赛德斯-奔驰公司);University of Freiburg(弗赖堡大学)
针对多智能体驾驶策略泛化性差的问题,提出不确定性驱动自博弈方法,利用认知不确定性生成困难场景,在多个数据集上实现更优零样本迁移性能,且行为多样性显著提升。
2026-10-15 cs.AI cs.MA cs.RO
A Generative Car-following Model Conditioned On Driving Styles
City University of Hong Kong(香港城市大学);The University of Queensland(昆士兰大学);University of Victoria(维多利亚大学)
提出一种生成式混合跟驰模型,利用时变参数的IDM准确捕捉动态跟驰行为,并结合神经过程(NP)模型为已知及未知驾驶风格生成逼真跟驰行为,通过校准、预测和仿真实验验证了其有效性。
2021-12-10 cs.AI cs.LG
Language-Driven Active Learning for Diverse Open-Set 3D Object Detection
University of California San Diego(加利福尼亚大学圣迭戈分校);Aalborg Universitet(奥尔堡大学)
针对自动驾驶3D场景中少数类与新型目标检测难题,提出语言驱动的主动学习框架VisLED及VisLED-Querying算法,可在开放/封闭世界设置下查询多样有效样本,在nuScenes上性能优于随机采样、媲美熵查询方法。
2024-06-18 cs.AI cs.CV cs.LG
LongShortNet: Exploring Temporal and Semantic Features Fusion in Streaming Perception
DAMO Academy, Alibaba Group(阿里巴巴集团达摩院);Carnegie Mellon University(卡内基梅隆大学)
流感知是自动驾驶中的一项关键任务,需要平衡自动驾驶系统的延迟和准确性。然而,当前用于流感知的方法是有限的,因为它们仅依赖于当前和相邻的两个帧来学习运动模式。这限制了它们对复杂场景建模的能力,通常导致检测结果不佳。为了解决这一限制,我们提出了LongShortNet,这是一种新颖的双路径网络,它捕获长期的时间运动,并将其与短期的空间语义集成,以实现实时感知。LongShortNet是值得注意的,因为它是第一个将长期时间建模扩展到流感知的工作,从而实现时空特征融合。我们在具有挑战性的Argoverse-HD数据集上评估了LongShortNet,并证明它优于现有的最先进的方法,几乎没有额外的计算成本。
2023-03-30 cs.AI cs.CV cs.MM