Self-Supervised Traffic Advisors: Distributed, Multi-view Traffic Prediction for Smart Cities
Stanford University(斯坦福大学);UT Austin(得克萨斯大学奥斯汀分校)
互联和自动驾驶汽车(CAV)的部署越来越广泛,但目前尚不清楚如何最好地部署智能基础设施,以最大限度地发挥其功能。一个关键的挑战是确保CAV能够可靠地感知其他代理,特别是被遮挡的代理。另一个挑战是希望智能基础设施是自主的,并且易于扩展到广域部署,类似于现代交通信号灯。目前的工作提出了自监督交通顾问(SSTA),这是一种基础设施边缘设备概念,它利用自监督视频预测与通信和协同训练框架相结合,以实现在整个智能城市中自主预测交通。SSTA是一种静态安装的摄像机,可俯瞰复杂交通流的交叉口或区域,将交通流预测为未来的视频帧,并学会与相邻的SSTA通信,以便能够在交通出现在视场(FOV)中之前预测交通。所提出的框架旨在实现三个目标:(1)设备间通信,以实现高质量的预测,(2)可扩展到任意数量的设备,以及(3)终身在线学习,以确保适应不断变化的环境。最后,SSTA可以直接广播其未来预测的视频帧,作为CAV运行其自己的后处理以进行控制的信息。
2022-07-30 cs.RO
Interactive Decision Making for Autonomous Vehicles in Dense Traffic
Honda Research Institute USA(本田美国研究院)
密集的城市交通环境可能会产生准确的预测和动态模型不足以成功进行自动驾驶车辆运动规划的情况。我们调查如何一个自主智能体可以安全地与其他交通参与者进行谈判,使代理处理潜在的死锁。具体来说,我们考虑合并的地方,汽车之间的差距小于自我车辆的大小。我们提出了一个能够生成和响应交互行为的博弈论框架。我们的主要贡献是展示如何游戏树决策可以由自动驾驶汽车执行,包括近似和推理,使树搜索计算上容易处理。此外,为了测试我们的模型,我们开发了一个随机的基于规则的交通代理能够生成交互式的行为,可以作为一个基准,用于模拟交通参与者在拥挤的合并设置。
2019-09-27 cs.AI cs.RO
UDMC: Unified Decision-Making and Control Framework for Urban Autonomous Driving with Motion Prediction of Traffic Participants
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学)
本文提出统一L4自动驾驶框架UDMC,将决策与运动控制整合为单一OCP,并结合势函数建模与运动预测,在CARLA仿真中实现更安全、高效的城市驾驶。
2025-01-05 cs.DC cs.RO cs.SY
Joint Attention in Autonomous Driving (JAAD)
在本文中,我们为自动驾驶的一个关键方面提出了一个新的数据集,即驾驶员与行人、骑自行车者或其他驾驶员之间必须发生的联合注意力。该数据集的目的是展示交通参与者的行为可变性。我们还展示了行为和场景理解的视觉复杂性如何受到各种因素的影响,如不同的天气条件,地理位置,交通和人口统计的人参与。地面实况数据传达有关参与者的位置(边界框),物理条件(例如照明和速度)以及参与方的行为的信息。
2020-04-22 cs.RO
Interaction-Aware Behavior Planning for Autonomous Vehicles Validated with Real Traffic Data
University of California, Berkeley(加州大学伯克利分校)
自动驾驶汽车(AV)需要与其他交通参与者进行交互,这些交通参与者可以是合作的或积极的,也可以是专注的或疏忽的。这些不同的特征可以导致完全不同的交互行为。因此,为了实现安全高效的自动驾驶,自动驾驶汽车在规划自己的行为时需要意识到这些不确定性。在本文中,我们制定这样的行为规划问题作为一个部分可观察的马尔可夫决策过程(POMDP)的其他交通参与者的合作被视为一个不可观察的状态。在不同的合作程度下,我们通过最大似然原理从真实的交通数据中学习人类行为模型。在此基础上,采用蒙特卡罗树搜索方法求解POMDP问题。通过仿真和实际交通数据对算法进行了验证,结果表明,该算法能够在无碰撞的情况下成功地完成车道变换。
2021-01-15 cs.RO cs.SY eess.SY
Simulating Autonomous Driving in Massive Mixed Urban Traffic
National University of Singapore(新加坡国立大学)
在不受管制的城市人群中进行自动驾驶是一项突出的挑战,特别是在许多具有攻击性的高速交通参与者的情况下。本文介绍了SUMMIT,高保真模拟器,便于开发和测试的人群驾驶算法。在OpenStreetMap的支持下,SUMMIT模拟了世界各地密集的、不受管制的城市交通。SUMMIT的核心是一个多智能体运动模型,GAMMA,它模拟了异构交通代理的行为,以及一个实时POMDP规划器,Context-POMDP,它充当驾驶专家。SUMMIT是CARLA的扩展,继承了自动驾驶模拟的物理和视觉现实主义。SUMMIT支持广泛的应用,包括感知、车辆控制或规划以及端到端学习。我们验证我们的运动模型的现实主义,使用其交通运动预测精度在各种现实世界的数据集。我们还提供了几个真实世界的基准场景,以表明SUMMIT模拟复杂的,现实的交通行为,和上下文POMDP驱动器安全,高效地在具有挑战性的人群驾驶设置。
2020-11-11 cs.RO
Quantification of Actual Road User Behavior on the Basis of Given Traffic Rules
FZI Research Center for Information Technology(FZI信息技术研究中心)
道路上的驾驶受到各种交通规则的限制,旨在确保所有交通参与者的安全。然而,人类道路使用者通常不严格遵守这些规则,导致不同程度的规则符合性。这种对既定规则的偏离是当今道路交通的关键组成部分。在自动驾驶中,当不考虑规则偏差时,机器人代理可能会扰乱交通流量。在本文中,我们提出了一种方法来获得的规则符合度的分布,从人类驾驶数据。我们使用Waymo Open Motion数据集和安全距离和速度限制规则来演示我们的方法。
2022-05-11 cs.LG cs.RO
Acceptance and Trust: Drivers' First Contact with Released Automated Vehicles in Naturalistic Traffic
本研究调查了30名驾驶员在真实交通中首次接触奔驰3级自动驾驶系统的体验,发现首次接触后接受度和信任度显著提升,但系统沟通不足及驾驶负荷问题仍需改进。
2023-12-19 cs.HC cs.RO
Informed sampling-based trajectory planner for automated driving in dynamic urban environments
Netherlands Organisation for Applied Scientific Research(荷兰应用科学研究组织);Eindhoven University of Technology(埃因霍温理工大学)
城市环境是自动驾驶汽车最困难的领域之一。车辆必须能够在具有挑战性的道路布局上,在各种动态交通参与者(如车辆,骑自行车者和行人)以及各种环境条件下规划安全路线。挑战仍然是拥有计算速度快的运动规划器,并主动考虑其他道路使用者的未来运动。本文介绍了一种计算效率高的采样为基础的轨迹规划器,在城市环境中的安全和舒适的驾驶。该规划器改进了Stable-Sparse-RRT算法,根据道路布局信息在搜索树中添加初始探索分支,并重复以前的解决方案。此外,轨迹规划器考虑了其他交通参与者的预测运动,以允许在城市交通中安全驾驶。仿真研究表明,规划器是能够规划无碰撞,舒适的轨迹在几个城市交通场景。添加基于领域知识的探索分支提高了高度感兴趣区域的探索效率,从而提高了总体规划性能。
2022-10-05 cs.RO math.OC
Diffusion-Based Environment-Aware Trajectory Prediction
Linköping University(林雪平大学);Lund University(隆德大学)
本文提出一种基于扩散的多智能体轨迹预测模型,通过捕捉交互与环境信息并加入运动约束,在真实数据集上实现高精度且多样的轨迹预测,并适应不合作智能体行为。
2024-03-18 cs.CV cs.LG cs.RO
Dynamic Risk Assessment for Autonomous Vehicles from Spatio-Temporal Probabilistic Occupancy Heatmaps
Department of Civil and Environmental Engineering, University of California, Berkeley, CA, USA(加州大学伯克利分校土木与环境工程系);D3 Analytics Innovation, Allstate Insurance Company, Northbrook, IL, USA(Allstate保险公司D3 Analytics创新部门);Department of Electrical Engineering and Computer Sciences, University of California, Berkeley, CA, USA(加州大学伯克利分校电气工程与计算机科学系)
本文提出概率占用风险评估(PORA)指标,利用时空热力图预测周围交通参与者的概率占用,结合Cox模型调整相对运动风险,提升自动驾驶车辆动态交通场景碰撞风险评估准确性,且在蒙特卡洛模拟中表现优于其他安全替代指标。
2025-11-16 cs.LG cs.RO eess.SP
Multi-modal Trajectory Prediction for Autonomous Driving with Semantic Map and Dynamic Graph Attention Network
JD Logistics, JD.com, China(京东物流,京东集团,中国)
预测周围障碍物的未来轨迹是自动驾驶汽车实现高度道路安全的关键任务。在现实世界的交通场景中,轨迹预测存在几个挑战,包括遵守交通规则,处理社会交互,处理多类运动的交通,以及预测具有概率的多模式轨迹。受人们关注目标和周围环境的自然习惯的启发,本文提出了一种独特的动态图形注意力网络来解决所有这些挑战。该网络的设计是为了模拟代理之间的动态社会互动,并符合交通规则的语义地图。通过将基于锚的方法扩展到多种类型的代理,所提出的方法可以使用单个模型来预测具有多类运动概率的多模态轨迹。我们在物流交付场景的专有自动驾驶数据集和两个公开可用的数据集上验证了我们的方法。结果表明,我们的方法优于国家的最先进的技术,并展示了在现实世界的交通轨迹预测的潜力。
2021-03-30 cs.CV cs.RO
SUMMIT: A Simulator for Urban Driving in Massive Mixed Traffic
在不受管制的城市人群中进行自动驾驶是一项突出的挑战,特别是在许多具有攻击性的高速交通参与者的情况下。本文介绍了SUMMIT,高保真模拟器,便于开发和测试的人群驾驶算法。通过利用开源OpenStreetMap地图数据库和我们早期工作中开发的异构多智能体运动预测模型,SUMMIT在OpenStreetMap支持的任何全球位置为异构智能体模拟密集的,不受管制的城市交通。SUMMIT是CARLA的扩展,继承了自动驾驶模拟的物理和视觉现实主义。SUMMIT支持广泛的应用,包括感知、车辆控制和规划以及端到端学习。我们提供了一个上下文感知的规划与基准场景,并表明,SUMMIT产生复杂的,现实的交通行为在具有挑战性的人群驾驶设置。
2020-03-13 cs.MA cs.RO
Large Language Models Powered Context-aware Motion Prediction in Autonomous Driving
Institute for AI Industry Research, Tsinghua University(清华大学人工智能产业研究院)
本文利用大语言模型(LLMs)和交通上下文地图(TC-Map)图像提示增强自动驾驶运动预测的全局交通上下文理解,并提出一种使用0.7%LLM增强数据集的高性价比部署策略以提升预测准确率。
2024-07-30 cs.CV cs.RO
Reinforcement Learning with Iterative Reasoning for Merging in Dense Traffic
Stanford University(斯坦福大学);Toyota Research Institute(丰田研究所);Honda Research Institute(本田研究所)
对于自动驾驶汽车来说,在密集的交通中进行机动是一项具有挑战性的任务,因为它需要对许多其他参与者的随机行为进行推理。此外,智能体必须在有限的时间和距离内完成机动。在这项工作中,我们提出了一个结合强化学习和博弈论来学习合并行为。我们设计了一个训练课程的强化学习代理使用水平的概念,$k$行为。这种方法在训练期间将代理暴露于各种各样的行为,这促进了对模型差异鲁棒的学习策略。我们表明,我们的方法比传统的训练方法学习更有效的政策。
2020-05-25 cs.AI cs.RO
VectorFlow: Combining Images and Vectors for Traffic Occupancy and Flow Prediction
Tsinghua University(清华大学)
预测道路智能体的未来行为是自动驾驶中的一项关键任务。虽然现有的模型在预测边缘智能体的未来行为方面取得了巨大的成功,但有效地预测多个智能体的一致联合行为仍然是一个挑战。最近,占用流场表示被提出来表示道路代理的联合未来状态,通过占用网格和流的组合,支持高效和一致的联合预测。在这项工作中,我们提出了一种新的占用流场预测器,以产生准确的占用和流量预测,通过结合图像编码器的力量,学习功能,从光栅化的交通图像和矢量编码器,捕捉信息的连续代理轨迹和地图状态。这两个编码特征在生成最终预测之前由多个注意力模块融合。我们简单但有效的模型在Waymo开放数据集占用和流量预测挑战赛中排名第三,并在遮挡占用和流量预测任务中实现了最佳性能。
2022-08-09 cs.AI cs.CV cs.RO
Enhancing Safety for Autonomous Agents in Partly Concealed Urban Traffic Environments Through Representation-Based Shielding
TU Dortmund University(多特蒙德工业大学);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究院)
本文提出一种基于可感知信息的强化学习状态表征方法,用于解决部分遮挡城市交叉口的安全导航问题,在安全性和能耗上显著优于基线,同时保持竞争力速度。
2024-07-05 cs.LG cs.RO
Interaction-Aware Probabilistic Behavior Prediction in Urban Environments
BMW Group(宝马集团);Technical University of Munich(慕尼黑工业大学)
在复杂的城市场景中规划自动驾驶需要准确预测周围交通参与者的轨迹。他们未来的行为取决于他们的路线意图,道路几何形状,交通规则和相互作用,导致他们的轨迹之间的相互依赖性。我们提出了一个基于动态贝叶斯网络的概率预测框架,它代表了包括所有代理的完整场景的状态,并尊重上述依赖关系。我们提出了马尔可夫,上下文相关的运动模型来定义司机的交互感知行为。首先,动态贝叶斯网络的状态估计随着时间的推移,通过跟踪单个代理通过顺序蒙特卡罗推理。其次,我们执行一个概率前向模拟网络的估计信念状态,以产生不同的组合场景的发展。这为可能的未来场景的集合提供了对应的轨迹。我们的框架可以处理各种道路布局和交通参与者的数量。我们在在线模拟和现实世界的情况下评估的方法。结果表明,我们的交互感知预测优于交互不知道物理和地图为基础的方法。
2018-08-28 cs.AI cs.RO
Behaviorally Diverse Traffic Simulation via Reinforcement Learning
Preferred Networks, Inc.(Preferred Networks公司);Toyota Research Institute(丰田研究院)
交通模拟器是自动驾驶开发的重要工具。虽然在为开发人员提供更多建模各种流量参与者的选项方面取得了不断的进展,但调整这些模型以增加其行为多样性,同时保持质量通常非常具有挑战性。本文介绍了一种易于调整的自动驾驶智能体的策略生成算法。该算法通过不同的策略集选择器利用深度强化学习的表示和探索能力来平衡多样性和驾驶技能。此外,我们提出了一个算法,利用内在奖励,以扩大行为差异的培训。为了提供定量评估,我们开发了两个基于概率的评估指标,用于衡量政策和行为覆盖率之间的差异。我们的实验表明,我们的方法在几个具有挑战性的交叉口场景的有效性。
2020-11-11 cs.LG cs.RO
Multi-task Safe Reinforcement Learning for Navigating Intersections in Dense Traffic
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);College of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);School of Automation and Electrical Engineering, University of Science and Technology Beijing(北京科技大学自动化与电气工程学院)
多任务交叉路口导航,包括无保护的左转,右转,直行在密集的交通仍然是一个具有挑战性的任务,自动驾驶。对于人类驾驶员来说,与其他交互车辆的协商技能是保证安全和效率的关键。然而,它是很难平衡的安全性和效率的自主车辆的多任务交叉口导航。在本文中,我们制定了一个多任务安全的强化学习与社会关注,以提高安全性和效率时,与其他交通参与者。具体而言,社会关注模块用于关注协商车辆的状态。此外,在多任务强化学习框架中增加了安全层,以保证协商的安全性。我们在仿真器SUMO与丰富的交通流和CARLA与高保真车辆模型的实验比较,这两个都表明,该算法可以提高安全性与一致的交通效率的多任务交叉口导航。
2022-02-19 cs.AI cs.RO
Stress Testing Method for Scenario Based Testing of Automated Driving Systems
Institute of Automotive Engineering - Graz University of Technology(格拉茨技术大学汽车工程研究所)
用于测试SAE 1级和2级自动驾驶汽车的经典方法和程序基于具有特定机动的定义场景,取决于测试功能。对于SAE 3+级的自动驾驶系统(ADS),场景空间是无限的,需要进行虚拟测试和验证。然而,即使在模拟中,ADS安全相关场景的生成也是昂贵且耗时的。这导致了随机和现实的交通仿真的需求。因此,微观交通流仿真模型(TFSM)正在成为ADS基于ARMIO的测试的重要组成部分。本文采用多体仿真软件IPG CarMaker和微观交通流仿真软件(TFSS)PTV Vissim进行联合仿真。虽然TFSS可以提供真实的和随机的行为的交通参与者,安全关键的场景(SCS)很少发生。为了避免这一点,一种新的应力测试方法(STM)的介绍。通过这种方法,交通参与者通过外部驱动程序DLL接口从PTV Vissim在测试车辆附近进行操纵,以激发定义的关键机动来自奥地利高速公路上的统计事故数据。这些外部驾驶员模型模仿人类驾驶错误,导致安全关键场景的增加。因此,所提出的STM方法有助于增加与安全相关的情况下,验证,测试和评估的ADS。
2020-12-08 cs.RO cs.SY eess.SY
Interaction-Based Trajectory Prediction Over a Hybrid Traffic Graph
Uber Advanced Technologies Group(优步先进技术集团)
交通行为预测是任何现实世界自动驾驶系统的重要组成部分。演员的长期行为倾向于由他们与场景中的其他演员或交通元素(交通灯,停车标志)的互动来控制。为了捕捉这种高度复杂的结构的相互作用,我们建议使用一个混合图,其节点代表的交通演员以及静态和动态的交通元素存在于场景中。时间交互的不同模式(例如,停止和前进),并且交通元素由图边明确地建模。这种关于离散交互类型的明确推理不仅有助于预测未来的运动,而且还增强了模型的可解释性,这对于自动驾驶等安全关键应用非常重要。我们预测演员的轨迹和互动类型使用图神经网络,这是在半监督的方式训练。我们表明,我们提出的模型,marticGraphNet,实现了最先进的轨迹预测精度,同时保持了高水平的可解释性。
2020-09-27 cs.CV cs.LG cs.RO
Lidar-based Tracking of Traffic Participants with Sensor Nodes in Existing Urban Infrastructure
RWTH Aachen University(亚琛工业大学);University of the Bundeswehr Munich(慕尼黑联邦国防军大学);University of Alberta(阿尔伯塔大学)
本文提出一种基于激光雷达和边缘计算的路侧跟踪框架,在CPU硬件上实现实时、高精度的交通参与者状态估计,并集成于现有城市基础设施,降低成本并支持隐私友好部署。
2025-09-24 cs.RO
Towards Cooperative Motion Planning for Automated Vehicles in Mixed Traffic
FZI Research Center for Information Technology(FZI 信息技术研究中心);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
虽然自动车辆的运动规划技术在反应和预期的方式已经被广泛提出,合作运动规划的方法仍然存在。在本文中,我们提出了一种方法来提高常见的运动规划算法,允许与人类驾驶的车辆合作。与以前的方法不同,我们将其他交通参与者的预测集成到运动规划中,这样就可以考虑到自我车辆的行为对其他交通参与者的影响。为此,提出了一种新的成本函数,包含场景中所有相关交通参与者的成本。最后,我们提出了一个路径速度分解采样为基础的实现,我们的方法为选定的情况下,这是在模拟评估。
2017-08-23 cs.MA cs.RO
Heterogeneous Edge-Enhanced Graph Attention Network For Multi-Agent Trajectory Prediction
Nanyang Technological University(南洋理工大学);University of Oxford(牛津大学)
多个异构交通参与者的同时轨迹预测对于现实世界中复杂驾驶情况下互联自动驾驶车辆的安全和高效运行至关重要。多智能体预测任务是具有挑战性的,因为交通参与者的运动受到许多因素的影响,包括他们的个人动态,他们与周围的代理,交通基础设施,以及目标代理的数量和形式的相互作用。为了进一步推进轨迹预测技术,在这项工作中,我们提出了一个三通道的框架,连同一个新的异构边增强图注意力网络(HEAT),这是能够处理的目标代理和交通参与者的异质性。具体来说,代理的动态提取从他们的历史状态使用特定类型的编码器。智能体间的交互用有向边特征异构图表示,然后使用HEAT网络提取交互特征。此外,通过引入选择门机制,地图特征在所有代理之间共享。最后,多智能体的轨迹同时执行。城市和高速公路驾驶数据集的验证表明,该模型能够实现复杂交通情况下多智能体的同时轨迹预测,并在预测精度方面达到了最先进的水平,证明了其可行性和有效性。
2021-06-14 cs.RO
Anytime Lane-Level Intersection Estimation Based on Trajectories of Other Traffic Participants
FZI Research Center for Information Technology(FZI信息技术研究中心);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院(KIT))
估计和理解当前场景是自动驾驶汽车的必然能力。通常,地图被用作解释传感器测量结果的先验知识,以便安全舒适地驾驶。只有少数办法考虑到地图可能已经过时,并导致对环境的错误假设。这项工作估计车道级交叉口拓扑结构没有任何地图之前,通过观察其他交通参与者的轨迹。我们能够提供一个粗略的车道级拓扑结构,以及车道的交叉口内外使用马尔可夫链蒙特卡罗采样。该模型既不限于车道或臂的数量,也不限于交叉口的拓扑结构。我们提出了我们的结果上的评估集的1000个模拟交叉口,并实现99.9%的准确性的拓扑估计,仅需36毫秒,当利用跟踪目标检测。这些交叉口上的精确车道路线估计在140ms之后平均误差为15cm。我们的方法在14个现实世界的交叉口上显示出类似的精度水平,简单交叉口的平均偏差为18厘米,更复杂的情况下为27厘米。在这里,估计总共只需要113ms。
2019-08-07 cs.CV cs.RO
Decentralized Data Fusion and Active Sensing with Mobile Sensors for Modeling and Predicting Spatiotemporal Traffic Phenomena
National University of Singapore(新加坡国立大学);Singapore-MIT Alliance for Research and Technology(新加坡-麻省理工学院研究与技术联盟);MIT(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学);University of Southern California(南加州大学)
城市道路网络中的时空交通现象建模与预测问题在交通热点检测与预测等应用中具有重要意义。本文提出了一种分布式数据融合和主动感知(D2FAS)算法,移动传感器主动探索道路网络,收集和同化最具信息量的数据,用于预测交通现象。我们分析了D2FAS的时间和通信复杂性,并证明了它可以很好地扩展大量的观察和传感器。我们提供了一个理论上的保证,其预测性能相当于一个复杂的集中式稀疏近似高斯过程(GP)模型:这样一个稀疏近似GP模型的计算,因此可以并行化和分布在移动传感器(在一个类似谷歌的MapReduce范式),从而实现高效和可扩展的预测。我们还从理论上保证了其在各种实际环境条件下的主动传感性能。对真实城市道路网络数据的实证评估表明,我们的D2FAS算法比最先进的集中式算法具有更高的时间效率和可扩展性,同时实现了相当的预测性能。
2012-06-28 cs.AI cs.DC cs.LG
Graph-based Prediction and Planning Policy Network (GP3Net) for scalable self-driving in dynamic environments using Deep Reinforcement Learning
Indian Institute of Science(印度科学学院);Indian Institute of Science Education and Research, Bhopal(博帕尔印度科学教育与研究学院)
本文提出GP3Net框架,通过时空图预测交通参与者轨迹并结合PPO强化学习进行安全规划,在CARLA多场景与新天气条件下优于模仿学习基线。
2023-12-10 cs.AI cs.RO
Reinforcement Learning based Negotiation-aware Motion Planning of Autonomous Vehicles
Noah’s Ark Lab, Huawei Technologies(华为技术有限公司诺亚方舟实验室)
对于与人类交通参与者集成到道路上的自动驾驶车辆,它需要通过以可预测的方式响应而无需显式通信来理解和适应参与者的意图和驾驶风格。提出了一种基于强化学习的协商感知运动规划框架,该框架采用强化学习,通过实时的自适应地动态修改运动规划器的预测时域长度来调整规划器的驾驶风格,以适应环境变化的事件,通常由交通参与者具有不同驾驶风格的意图切换触发。该框架将自动驾驶车辆与其他交通参与者之间的交互建模为马尔可夫决策过程。该方法以网格图的时间序列作为RL模块的输入,嵌入隐式意图推理。采用课程学习提高算法的训练效率和鲁棒性。我们应用我们的方法在模拟和现实世界中的窄车道导航证明,所提出的方法优于常见的替代方案,由于其优势,在缓解社会困境问题与适当的谈判技巧。
2021-07-08 cs.RO cs.SY eess.SY
Decentralized Cooperative Planning for Automated Vehicles with Continuous Monte Carlo Tree Search
FZI Research Center for Information Technology(FZI信息技术研究中心);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
城市交通场景通常需要交通参与者之间的高度合作,以确保安全和效率。通过观察他人的行为,人类可以推断出他人是否在合作。这项工作旨在扩展自动驾驶汽车的能力,使它们能够在异构环境中进行隐式合作。连续的行动允许任意的轨迹,因此适用于更广泛的一类问题比现有的合作方法与离散的行动空间。蒙特卡罗树搜索(MCTS)结合解耦UCT,基于其他智能体的合作建模,以合作和分散的方式评估每个智能体的行动值,尊重交通参与者之间的相互依赖性。连续动作空间的扩展是通过将新的MCTS特定的增强有效的搜索空间探索。在不同的场景下对该算法进行了评估,结果表明该算法能够实现有效的协同规划,并生成自我中心规划无法识别的解。
2018-09-10 cs.AI cs.RO
Implicit Latent Variable Model for Scene-Consistent Motion Forecasting
Uber ATG(Uber先进技术集团);University of Toronto(多伦多大学)
为了规划安全的机动,自动驾驶汽车必须准确地感知其环境,并了解交通参与者之间的相互作用。在本文中,我们的目标是直接从传感器数据中学习复杂城市交通的场景一致性运动预测。特别是,我们建议通过隐式潜变量模型来表征未来轨迹的联合分布。我们将场景建模为交互图,并采用功能强大的图神经网络来学习场景的分布式潜在表示。再加上一个确定性的解码器,我们获得的轨迹样本是一致的交通参与者,实现最先进的运动预测和交互理解的结果。最后但并非最不重要的是,我们证明了我们的运动预测的结果更安全,更舒适的运动规划。
2020-07-23 cs.CV cs.LG cs.RO
Holistic Graph-based Motion Prediction
FZI Research Center for Information Technology(FZI信息技术研究中心);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院(KIT))
提出一种基于异构整体图表示的运动预测方法,融合时间、参与者属性与关系及道路静态信息,在INTERACTION和Argoverse数据集上验证有效性。
2023-06-20 cs.LG cs.RO
Accelerating Cooperative Planning for Automated Vehicles with Learned Heuristics and Monte Carlo Tree Search
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);FZI Research Center for Information Technology(FZI信息技术研究中心)
城市交通场景中的高效驾驶需要远见。其他交通参与者的观察和推断他们可能的下一步行动取决于自己的行动被认为是合作预测和规划。人类已经具备了预测多个交互的交通参与者的行为并相应地进行规划的能力,而无需直接与他人进行通信。以前的工作表明,它是可能实现有效的合作规划,而不需要明确的沟通。然而,合作计划的搜索空间如此之大,以至于大部分计算预算都花在探索远离解的无希望区域中的搜索空间上。为了加速规划过程,我们将学习的策略与合作规划方法相结合,以引导搜索具有有希望的行动的区域,以较低的计算成本获得更好的解决方案。
2020-05-22 cs.LG cs.MA cs.RO
Controlling Traffic with Humanoid Social Robot
University of Waterloo(滑铁卢大学)
随着人工智能、机器学习和物联网等技术的进步,开发更多的人形机器人并实现不同流程的自动化变得很容易。一个交互式机器人必须具有高度的社会行为,这样它才能被使用它的人容易接受。由于长时间的值班,人类警察经历了很大的压力,并造成事故的风险。数字电子信号是自动的,但我们希望创建一个更人性化的系统,看起来像一个在十字路口控制交通的官员。我们在这项研究中使用了Thiago++机器人,并将其外观修改为像警察一样,然后对其进行编程,模仿并做出手势,就像交通警察做出手势来控制交通一样。我们评估了机器人的外观、手势、功能和社会行为。我们要求两名参与者的有限样本识别TRAPBOT,将其外观,社交行为和手势与现实生活中的警察进行比较。我们发现人们可以识别出这个机器人是交警机器人。我们的分析还表明,TRAPBOT具有类似交通机器人的外观,并能做出类似交通警察的信号手势。
2022-04-08 cs.HC cs.RO
Safe Reinforcement Learning with Scene Decomposition for Navigating Complex Urban Environments
Stanford University(斯坦福大学);Honda Research Institute(本田研究院)
在城市环境中导航对自动驾驶汽车来说是一项复杂的任务。他们必须在考虑众多交通参与者的同时安全有效地达到目标。我们提出了一个模块化的决策算法,自主导航交叉口,解决现有的基于规则和强化学习(RL)的方法的挑战。我们首先提出了一个安全的RL算法依赖于模型检查器,以确保安全保证。为了使决策策略对感知错误和遮挡具有鲁棒性,我们引入了一种使用基于学习的方法的信念更新技术。最后,我们使用场景分解的方法来扩展我们的算法,多个交通参与者的环境。我们的经验表明,我们的算法优于基于规则的方法和强化学习技术在一个复杂的交叉口的情况。
2019-04-25 cs.AI cs.LG cs.RO