AutonomousVehiclePaper
AutonomousVehiclePaper copied to clipboard
DeepTecher
无人驾驶相关论文速递
[MultiNet: Multi-Modal Multi-Task Learning for Autonomous Driving](https://arxiv.org/abs/1709.05581) 日期：2019-01-14（v4）【2017-09-16（v1）】 团队：加州大学伯克利分校 摘要： 自动驾驶需要在不同的行为模式（车道跟随、交叉口交叉、转弯和停止等）下操作。 然而，大多数现有的自动驾驶深度学习方法都没有考虑训练策略中的行为模式。 本文描述了一种在单个深度神经网络中通过使用多模态多任务学习学习多种不同行为模式的技术。 我们研究了这种方法的有效性，并命名该网络为MultiNet。该网络通过使用自动驾驶模型车在非人行道环境中行驶，例如人行道和未铺砌的道路。 使用超过一百小时驾驶我们的1/10比例模型车队的标记数据，我们训练了不同的神经网络来预测不同行为模式下车辆的转向角和行驶速度。 我们表明，在每种情况下，在使用参数总数的一小部分的情况下，MultiNet网络都优于在各个模式上训练的网络。（编者注：使用的是遥控越野车，并非为实际的汽车）
[Autonomous Cars: Vision based Steering Wheel Angle Estimation](https://arxiv.org/abs/1901.10747) 日期：2019-01-30 团队：土耳其 伊兹密尔经济大学 摘要: 经常用于自动驾驶汽车的机器学习模型通过匹配所捕获的道路图像和测量的方向盘角度来训练。 方向盘的角度通常从转向角传感器获取，转向角传感器紧密耦合到手边车辆的物理方面。 因此，模型无关的自动驾驶套件很难开发，自动驾驶汽车需要更多的训练数据。 所提出的基于视觉的转向角估计系统提出了一种新方法，该方法基本上匹配由室外摄像机捕获的道路图像和来自车载摄像机的方向盘图像，避免了收集依赖于模型的训练数据的负担和使用 任何其他机电硬件。
[Latent Space Reinforcement Learning for Steering Angle Prediction](https://arxiv.org/abs/1902.03765) 团队：奥迪深度学习相关子公司AEV(Audi Electronics Venture)、慕尼黑工业大学以及加州Artisense公司 日期：2019-02-11 摘要： 最近已经证明，无模型强化学习可以成功地从原始传感器数据中学习导航策略。 在这项工作中，我们解决了在高保真模拟器中学习自主代理的驾驶策略的问题。 基于最近将深度强化学习应用于导航问题的研究，我们提出了一种模块化深度强化学习方法，用于从原始图像预测汽车的转向角。 第一模块提取图像的低维潜在语义表示。 通过强化学习训练的控制模块将潜在矢量作为输入来预测正确的转向角。 实验结果表明，我们的方法能够学习在没有任何人为控制信号的情况下操纵汽车。 作者同期其他论文： 2019-02-11 [Semantic Label Reduction Techniques for Autonomous Driving](https://arxiv.org/abs/1902.03777) ，主要介绍在无人驾驶感知上减少标签方法。对应的issus在：[AutonomousVehiclePaper/issues/8](https://github.com/DeepTecher/AutonomousVehiclePaper/issues/8) 2019-02-11...
[A Data Driven Method of Optimizing Feedforward Compensator for Autonomous Vehicle](https://arxiv.org/abs/1901.11212) 团队：北理、加州大学伯克利分校 日期： 2019-01-31 摘要： 可靠的控制器对于执行自动驾驶车辆的安全和平稳操作至关重要。控制器必须能够抵抗外部干扰，例如路面，天气和风力等。还需要处理车辆子系统的内部参数变化，包括动力传动系效率，测量误差，时间延迟等。此外，与大多数生产车辆一样，发动机，制动器和转向系统的低控制命令通过上述因素引入了控制器性能的不透明和无效问题。本文通过数据驱动方法设计前馈补偿过程，对控制器性能进行建模和进一步优化。应用主成分分析随后，我们采用时延神经网络，并包括未来预测误差的准确性利用预测误差，我们设计了一个前馈补偿过程来提高控制性能。最后，我们证明了所提出的前馈补偿过程在仿真场景中的有效性。
[Semantic Label Reduction Techniques for Autonomous Driving](https://arxiv.org/abs/1902.03777) 日期：2019-02-11 团队：奥迪深度学习相关子公司AEV(Audi Electronics Venture)、慕尼黑工业大学以及加州Artisense公司 摘要： 语义分割图可以用作用于操纵汽车控制的模型的输入。 但是，并非所有标签都是对控制决策制定是必需的。 与植被或建筑物的标签（这些标签可能不会对汽车的驾驶决策产生直接影响）相比，某些标签（如道路或人行道）将更为关键。 在本文中，我们评估和量化了不同语义标签对控制汽车的敏感性和重要性。文中，将不影响驾驶决策的标签重新映射到其他类别，将标签减少到仅对驾驶车辆至关重要的标签，从而简化任务。 （编者注，该团队同日另外一篇论文为：[Towards Self-Supervised High Level Sensor Fusion](https://arxiv.org/abs/1902.04272)，主要介绍了多传感器融合的方法。对应的issue在[AutonomousVehiclePaper/issues/3](https://github.com/DeepTecher/AutonomousVehiclePaper/issues/3#issue-413290566)）
[Deep Multi-modal Object Detection and Semantic Segmentation for Autonomous Driving: Datasets, Methods, and Challenges](https://arxiv.org/abs/1902.07830) 提交时间：2019-02-21 摘要： 最近在自动驾驶感知方面的进步是由深度学习驱动的。为了实现稳健和准确的场景理解，自动驾驶车辆通常配备有不同的传感器（例如，相机，LiDAR，雷达），并且可以融合多种感测模式以利用它们的互补特性。在这种情况下，已经提出了许多用于深度多模态感知问题的方法。然而，网络架构设计没有一般的指导方针，“融合什么”，“何时融合”和“如何融合”等问题依然存在。本综述试图系统地总结方法论，并讨论自动驾驶中深度多模态目标检测和语义分割的挑战。为此，我们首先概述了测试车辆上的车载传感器，开放数据集以及自动驾驶研究的目标检测和语义分割的背景信息。然后，我们总结了融合方法，并讨论了挑战和开放性问题。在附录中，我们提供了总结主题和方法的表格。我们还提供了一个交互式在线平台来浏览每个参考。[https://multimodalperception.github.io/](https://multimodalperception.github.io/)（编者注：交互在线平台暂未开放）
[PIXOR: Real-time 3D Object Detection from Point Clouds](https://arxiv.org/abs/1902.06326) 提交时间：2019-02-17 机构： Uber 先进技术小组(ATG)、多伦多大学 摘要： 我们解决了在自动驾驶环境中从点云进行实时3D物体检测的问题。 计算速度至关重要，因为检测是安全的必要组成部分。 然而，由于点云的高维度，现有方法在计算上是昂贵的。 我们通过从鸟瞰图（BEV）中表示场景来更有效地利用3D数据，并提出PIXOR，一种无需建议的单级检测器，其输出从像素化神经网络预测解码的定向3D对象估计。 输入表示，网络架构和模型优化专门用于平衡高精度和实时效率。 我们在两个数据集上验证了PIXOR：KITTI BEV物体检测基准和大规模3D车辆检测基准。 在这两个数据集中，我们表明所提出的探测器超过了其他最先进的方法，特别是在平均精度（AP）方面，同时仍然以大于28 FPS运行。
[End to End Video Segmentation for Driving : Lane Detection For Autonomous Car](https://arxiv.org/abs/1812.05914) Date:2018-12-03(submit) Team: 宾州州立大学,宾州州立学院 摘要： 道路交通事故的安全性和下降性仍然是自动驾驶的重要问题。统计数据显示，意外车道偏离是全球机动车碰撞的主要原因，使车道检测成为自驾车最有希望和最具挑战性的任务。今天，许多团体正在将深度学习技术与计算机视觉问题相结合，以解决自驾车问题。在本文中，GCN(Global Convolution Networks)模型用于解决车道语义分段的分类和本地化问题。我们正在使用基于颜色的分割，并评估模型的可用性。基于残差的边界细化和亚当优化也用于实现最先进的性能。由于普通汽车无法负担汽车上的GPU，因此几辆汽车可以共享特定道路的训练。我们提出了一个框架，让它在现实世界中运作。我们构建了一个实时视频传输系统，用于从汽车获取视频，在边缘服务器（配备GPU）中训练模型，并将训练好的模型发送回汽车。
[VIZARD: Reliable Visual Localization for Autonomous Vehicles in Urban Outdoor Environments](https://arxiv.org/abs/1902.04343) Date: 2019-02-12 Team: 苏黎世联邦理工自动系统实验室、sevensense机器人公司 摘要： 外观的变化是室外环境中视觉定位系统失败的主要原因之一。为了应对这一挑战，我们推出了VIZARD，一种适用于城市户外环境的视觉定位系统。通过将局部定位算法与多会话图的使用相结合，可以在非常不同的外观条件下实现高定位回忆。视觉定位约束与车轮测距法在状态估计框架中的融合进一步保证了姿势估计的平滑和准确。在对具有挑战性的城市户外环境中数百公里行驶的广泛实验评估中，我们分析了我们的定位系统的召回和准确性，研究了其关键参数和边界条件，并比较了不同类型的特征描述符。我们的研究结果表明，在不同的户外外观条件下，包括在夜间，VIZARD能够实现近100％的召回，定位精度低于0.5米。