XiaoMi-AI文件搜索系统
World File Search System驾驶的
提高 V2I 辅助自动驾驶的燃油经济性：强化学习方法
摘要 — 提出了一种新颖的框架，借助车对基础设施 (V2I) 通信网络提高自动驾驶汽车 (AV) 的驾驶安全性和燃油经济性。驾驶轨迹设计问题旨在最小化总燃料消耗，同时提高驾驶安全性（通过遵守交通规则和避开障碍物）。为了解决这个相关问题，提出了一种深度强化学习 (DRL) 方法来做出无碰撞决策。首先，提出了一种深度 Q 网络 (DQN) 辅助算法，通过从基站 (BS) 接收实时交通信息来确定 AV 的轨迹和速度。更具体地说，AV 充当代理，通过与环境交互来执行最佳动作，例如变道和变速。其次，为了克服 Q 学习模型对动作值的过高估计，提出了一种双深度 Q 网络 (DDQN) 算法，将最大 Q 值操作分解为动作选择和动作评估。此外，还提出了三种实用的驾驶策略作为基准。数值结果证明，所提出的轨迹设计算法能够提高 AV 的驾驶安全性和燃油经济性。我们证明了所提出的基于 DDQN 的算法优于基于 DQN 的算法。此外，还证明了从 DRL 算法衍生而来的基于燃油经济性 (FE) 的驾驶策略能够比基准节省超过 24% 的燃油。
321.515操作。 1。无人驾驶的车辆可以在该州的公共高速公路上运行
321.515操作。1。如果车辆符合以下所有条件，则可以在该州的公共高速公路上运行该州的公共高速公路，而不会在车辆中进行物理上存在。如果发生自动驾驶系统的故障，车辆能够达到最小的风险条件，这使系统无法在系统的预期操作设计域内执行整个动态驾驶任务（如果有）。b。在无人驾驶操作中，该车辆能够遵守该州的适用交通和机动车安全法律和法规，该法规管理动态驾驶任务的执行，除非该部门已授予车辆豁免。c。该车辆已获得车辆制造商的认证，以符合所有适用的联邦汽车安全标准，除非在适用的联邦法律或国家公路交通安全管理局根据适用的联邦法律授予该车辆的豁免。2。在自动化驾驶系统在该州的公共高速公路上执行整个动态驾驶任务的操作，而车辆中存在常规的人驾驶员，应合法。在此类操作期间，常规人驾驶员应根据第321.174条拥有有效的驾驶执照，并应遵守第321.20B条规定的财务责任范围要求和罚款。b。3。常规人类驾驶员应根据制造商的要求和规格操作配备系统的车辆，并在自动驾驶系统提示时重新对车辆进行手动控制。在订婚的同时，应设计自动驾驶系统，以符合该州的适用交通和机动车安全法律和法规，该法规管理动态驾驶任务的绩效，除非该部门已授予车辆豁免。除非本节规定，不得解释为要求传统的人类驾驶员操作由自动驾驶系统操作的无人驾驶的车辆。 自动化驾驶系统虽然参与，但应视为履行传统人类驾驶员所需的任何身体行为，以执行动态驾驶任务。不得解释为要求传统的人类驾驶员操作由自动驾驶系统操作的无人驾驶的车辆。自动化驾驶系统虽然参与，但应视为履行传统人类驾驶员所需的任何身体行为，以执行动态驾驶任务。
在缺失观察下自动驾驶的物理信息轨迹预测
本文介绍了一种新型的自动驾驶汽车（AV）的轨迹预测方法，熟练解决了缺少观察的挑战以及在现实世界驾驶环境中遵守物理定律的需求。这项研究为AVS提供了分层的两阶段轨迹模型。在第一阶段，我们提出了小波重建网络，该网络是一种创新的工具，该工具专业地精心制作，用于重建缺失的观察，并提供与状态模型的可选集成，以增强其稳健性。ad的第二阶段，模型的第二阶段具有波融合编码器，这是一种量子力学启发的创新，用于复杂的车辆相互作用建模。通过合并运动学自行车模型，我们确保我们的预测与逼真的车辆运动学保持一致。融合了我们的方法论进步，我们引入了MocAd-Missing，这是一个全面的现实交通数据集，以及增强的NGSIM和HighD数据集的版本，旨在通过未观察到的环境进行严格的测试。广泛的评估表明，我们的方法明显超过了效果，即使在最多75％缺少观察结果的情况下，也达到了很高的精度。
SGDCL：可解释自主驾驶的语义引导动态相关学习
通过学习表达表达，深度学习（DL）彻底改变了自主驾驶（AD）。尽管取得了重大进步，但DL模型的继承性不透明产生了公众的信任，阻碍了他们广泛采用的采用。为了表现出可行的自主驾驶，当前的研究主要专注于从现场提取特征，以预测驾驶动作及其响应解释。然而，这些方法不足以在动作和解释（这项工作中称为类别）中实现语义和相关性信息，从而导致了次优的性能。为了解决这个问题，我们提出了语义引导的动态相关性学习（SGDCL），这是一种新颖的方法，可以利用语义丰富性和动态相互作用与类别的内在性。sgdcl启用语义引导的学习模块，以获取特定于类别的表示和动态相关学习模块，以适应类别之间的复杂相关性。另外，我们引入了一个创新的损失术语，以利用类别的细粒度同时统计来进行精制正则化。我们可以在两个完善的基准上进行广泛评估SGDCL，这表明了它优于七个最先进的基线和一个大型视觉模型。SGDCL可显着促进可解释的自主驾驶，最多15个。3％的绩效提高和可解释的关注分数，增强了公众对AD的信任。
自动驾驶的批判性指标：对最新状态的审查和适用性分析
摘要在公共道路上大规模的自动车辆部署有可能大大改变当今社会的运输方式。尽管这种追求是在几十年前开始的，但仍存在公开挑战，可靠地确保此类车辆在开放环境中安全运行。尽管功能安全是一个完善的概念，但测量车辆行为安全的问题仍然需要研究。客观和计算分析交通冲突的一种方法是所谓关键指标的开发和利用。当代方法在与自动驾驶有关的各种应用中利用了关键指标的潜力，例如用于评估动态风险或过滤大型数据集以构建方案目录。作为系统地选择此类应用程序的足够关键指标的先决条件，我们在自动驾驶的背景下广泛回顾了关键性指标，其属性及其应用的现状。基于这篇综述，我们提出了一个适合性分析，作为一种有条不紊的工具，可以由从业者使用。可以利用所提出的方法和最先进的审查状态选择涵盖应用程序要求的合理的测量工具，如分析的示例性执行所证明。最终，高效，有效且可靠的自动化车辆安全性能的测量是证明其可信赖性的关键要求。
occworld：学习一个自主驾驶的3D占用世界模型
摘要。了解3D场景如何发展对于在自动驾驶中做出决策至关重要。大多数现有方法通过预测对象框的运动来实现这一目标，该对象框的运动无法捕获更细粒度的场景信息。在本文中，我们探讨了在3D占用空间中学习世界模型OCCWorld的新框架，以同时预测自我汽车的运动和周围场景的演变。，我们建议学习基于3D占用率的世界模型，而不是3D边界框和分割图，原因有三个：1）表现力。3D占用可以描述场景的更细粒度的3D结构； 2）效率。3D占用率更为经济（例如，从稀疏发光点点）。3）差异。3D占用率可以适应视力和激光雷达。为了促进世界发展的建模，我们在3D占用率上学习了基于重建的场景令牌，以获得离散的场景令牌
vilam：基础架构辅助3D视觉定位和自动驾驶的映射
视觉同时本地化和映射（SLAM）提出了一种有希望的途径，以实现使用具有成本效益的视觉传感器的自主驾驶系统中必不可少的受理和本地化任务。然而，存在视觉大满贯框架通常会遭受重大累积错误和在互补的驾驶场景中的性能下降。在本文中，我们提出了Vilam，这是一个新颖的框架，利用智能的路边基础设施实现高精度和全球一致的本地化和自动驾驶汽车的映射。VILAM的关键思想是利用基础架构的精确场景测量作为全局引用，以纠正车辆构造的本地地图中的错误。为了克服3D局部图中的唯一变形，以使其与基础架构测量一致，Vilam提出了一种新型的Elastic Point云注册方法，该方法可以独立优化本地地图的不同部分。Vilam采用了轻质因子图构造和优化，以首先纠正车辆轨迹，从而有效地重建了一致的全局地图。我们在多个道路场景中的真实世界智能灯柱测试中启动了Vilam端到端。广泛的实验表明，Vilam可以通过消费者级别的板载摄像头实现分解级级别的局部iZation和映射准确性，并且在多样化的道路场景下非常强大。在我们的实际测试床上的Vilam视频演示，请访问https://youtu.be/ltlqdnipdve。
cdstraj：以自主驾驶的轨迹预测为特征的扩散和时空相互作用网络
轨迹预测是Au ausostos驾驶（AD）中的一个基石，在使车辆能够在动态环境中安全有效地导航时发挥了关键作用。为了解决此任务，本文提出了一个新颖的轨迹预测模型，该模型是在面对异质和不确定的交通情况下为准确性而定制的。该模型的核心是特征性的扩散模块，这是一个创新的模块，旨在模拟具有固有不确定性的流量。该模块通过将其注入偏低的语义信息，从而增强了障碍预测准确性，从而富含预测过程。对此进行补充，我们的时空（ST）相互作用模块会导致交通情况对空间和时间段落的VEHILE动力学的细微效果，具有出色的有效性。通过详尽的评估，我们的模型设定了轨迹预测的新标准，实现最新的ART（SOTA）结果（NGSIM），高速公路无人机（Highd）和澳门相互互联的自动驾驶（MOCAD）数据集合（MOCAD）的简短和easated persalal temal spans。这种表现低估了该模型在浏览复杂的交通情况，包括高速公路，城市街道和交叉点的无与伦比的适应性和效率。
使用大语言模型为高速公路驾驶的生成和不断发展的奖励功能
摘要 - 强化学习（RL）通过最大程度地提高奖励功能以实现最佳政策来推进自主驾驶技术，在推进自主驾驶技术方面起着至关重要的作用。但是，在许多实践中，制定这些奖励功能一直是一个复杂的手动过程。为了降低这种复杂性，我们引入了一个新颖的框架，该框架将大型语言模型（LLMS）与RL集成在一起，以改善自主驾驶中的奖励功能设计。该框架利用在其他领域证明的LLM的编码功能来为高速公路场景生成和进化奖励功能。框架首先要指示LLM基于驾驶环境和任务描述创建初始奖励功能代码。然后，通过涉及RL培训和LLMS的反射的迭代周期来完善此代码，从而使其审查和改善产出的能力受益。我们还开发了一个特定的提示模板，以提高LLMS对复杂驾驶模拟的理解，从而确保生成有效且无错误的代码。我们在三种交通配置的高速公路驾驶模拟器中进行的实验表明，我们的方法超过了手工制作的奖励功能，达到了平均成功率22％。这不仅表明了更安全的驾驶，而且还表明了开发生产率的显着提高。
Amazon Web Services中自动驾驶的深度强化学习Deepracer
摘要：通过加强学习的自主驾驶模型的发展已获得了重大的吸引力。但是，开发避免障碍系统仍然是一个挑战。具体来说，在导航障碍物的同时优化路径完成时间是一个未经证实的重新搜索区域。Amazon Web Services（AWS）Deepracer成为一种强大的基础架构，用于工程和分析自主模型，为解决这些复杂性提供了强大的基础。这项研究调查了训练端到端自动驾驶模型的可行性，该模型专注于使用AWS Deepracer自动赛车平台上的强化学习避免障碍。对自主驾驶方法和机器学习模型体系结构进行了全面的文献综述，特别关注对象避免对象，然后进行动手实验和培训数据的分析。此外，比较了传感器选择，奖励功能，动作空间和训练时间对自主障碍避免任务的影响。最佳配置实验的结果表明，与基线配置相比，障碍物避免性能的显着改善，碰撞率降低了95.8％，而完成试验电路的时间则减少了约79％。