XiaoMi-AI文件搜索系统
World File Search SystemCommonRoad
commonRoad-carla接口：桥接运动计划和3D模拟之间的差距
摘要 - 在实际系统上验证Au au ausost everals的运动计划算法对于提高其在现实世界中的安全至关重要。开源计划，例如Autoware，为真实车辆提供了可部署的软件堆栈。但是，这种驾驶堆栈具有很高的进入障碍，因此集成新算法是乏味的。尤其是新的研究结果，主要仅在模拟中，例如在CommonRoad Benchmark Suite中进行评估。为了解决这个问题，我们提出了CR2AW，这是CommonRoad框架和自动保健之间的公开接口。CR2AW可以通过允许用户轻松将其CommonRoad计划模块整合到AutoWare中，从而大大简化了运动计划研究的SIM转移。我们在模拟和研究工具上进行的实验展示了CR2AW的实用性。
审查碳纤维增强热塑性塑料的回收，重点是聚苯乙烯酮
摘要 - 运动计划算法应在将它们部署到真实车辆中之前对大型，多样化和现实的场景进行测试。但是，现有的3D模拟器通常专注于感知和端到端学习，缺乏运动计划的特定接口。我们提供了一个关注运动计划的Carla模拟器的接口，例如，在交互式环境中创建可配置的测试方案并执行运动计划者。此外，我们引入了一个从基于LANELT的地图到Opendrive的转换器，从而可以在Carla中使用CommonRoad和Lanelet2地图。我们的评估表明，我们的界面易于使用，有效地创建新的方案，并可以成功整合运动计划者以求解CommonRoad方案。我们的工具在commonroad.in.tum.de上以开源工具箱的形式发布。
自主驾驶处理交通参与者的意外行为的安全和非保守轨迹计划
摘要 - 自主驾驶的轨迹计划是具有挑战性的，因为必须考虑交通参与者的未来未来运动，从而产生巨大的不确定性。随机模型预测控制（SMPC）的计划者提供了非保守计划，但不排除碰撞的（小）概率。我们提出了一种控制方案，该方案在交通情况允许时基于SMPC产生有效的轨迹，如果后者根据预测假设移动，则避免车辆与交通参与者相撞。如果某些交通参与者的行为不预期，则无法提供安全保证。然后，我们的方法产生了一种轨迹，该轨迹使用约束违规概率最小化技术最小化碰撞的概率。我们的算法也可以适应以最大程度地减少碰撞造成的预期伤害。我们对新型控制方案的好处进行了详尽的讨论，并通过CommonRoad数据库的数值模拟将其与先前的方法进行了比较。
互动感知的轨迹维修符合正式的交通规则
摘要 - 符合条件的合规性对于自动车辆的运动计划至关重要。如果最初计划的轨迹vi-Olates traffirfimful fraffim fraffim fraffim，则建议修复它，而不是完全对其进行补充以节省计算时间。然而，没有轨迹修复框架可以考虑交易参与者之间的相互作用，这可能导致保守的驾驶行为。为了解决这个问题，我们第一次提出了基于游戏理论的互动感知轨迹修复算法。我们的新型算法预测了修复轨迹对其他交通参与者的影响，然后以最佳结果执行轨迹候选者。为了证明我们的维修机制，我们将其集成到一个后退的运动计划框架中。使用CommonRoad基准套件对我们的方法进行评估，表明与互动 - 纳维尔修复策略相关联 - 我们的方法避免了不必要的保守驾驶行为，并实现了更高的维修率。
不确定性意识到的预测和在自动驾驶计划中的应用：定义，方法和比较
摘要 - 自主驾驶系统面临着不确定性的复杂和动态环境的巨大挑战。这项研究提出了一个统一的预测和计划框架，同时建模短期的息肉不确定性（SAU），长期的不良不确定性（LAU）和认知不确定性（EU），以预测和建立在动态环境中计划的强大基础。该框架使用高斯混合模型和深层集合方法，同时捕获和评估SAU，LAU和EU，在传统方法不会同时整合这些不确定性。此外，考虑了各种不确定性，还引入了不确定性感知计划。与现有方法相比，研究的贡献包括不确定性估计，风险建模和计划方法的比较。使用CommonRoad基准和设置有限的感知，对所提出的方法进行了严格评估。这些实验阐明了自主驾驶过程中不同不确定性因素的优点和作用。此外，对各种不确定性建模策略的比较评估强调了建模多种类型不确定性的好处，从而提高了计划的准确性和可靠性。所提出的框架促进了UAP方法的开发，并超过了现有的不确定性风险模型，尤其是在考虑各种交通情况时。项目页面：https：//swb19.github.io/uap/。
6D SLAM
科学研究有益于结果可重复且易于与替代溶液相媲美。例如，在计算机科学和机器人技术中，ImageNet [1]或MS-Coco [2]等计算机视觉基准取得了巨大进展。一个关键特征是，它们将视觉感知分解为从单一的，裁剪的框架标记到检测多个对象的困难的任务。这些基准肯定与（深）学习的复兴相吻合，并且可能在第一个位置启用了它[2]。机器人技术中存在多个基准的区域正在抓住和/或bin拾取[3] - [5]； [6，选项卡中讨论了更多内容。1]。尤其是DEX-NET [5]共同开发了用于掌握计划的新颖解决方案，并通过发布培训和评估数据集来改进它们。在运动计划社区中，仅建立了一些基准，例如，开放运动计划库（OMPL）[7]，[8] 1或Parasol 2的创建者。这些要么仅限于简单的点对点计划，要么仅包含没有特定应用程序的抽象计划问题。相比之下，专门用于特定用例的基准套件是自主驾驶[9]或MotionBenchmaker进行操作运动计划[6]的公共路。但是，对于给定任务评估最佳机器人或模块化机器人组件的基准套件不存在。我们提供第一个基准套件来比较不同现实世界环境中的机器人和模块化机器人组件的各种成本功能。示例解决方案