DeepTecher
DeepTecher
[A Lane-Change Path Planner and its application with a monocular camera](https://arxiv.org/abs/1903.02552l) 摘要：人类驾驶员利用来自道路的视觉提示来执行一些基本的驾驶任务，例如， 车道保持和车道变换，用于复杂的驾驶操作。 车道保持和车道变换可以概括为一项任务，因为它们都是将车辆驶入目标车道。 在本文中，我们首先使用控制理论设计基于HD（高清）地图的车道变换路径规划器，用于自动驾驶系统。 后来，应用类似的想法，设计了使用单目相机的车道变换控制器。
[ Autonomous Vehicle Control: End-to-end Learning in Simulated Urban Environments](https://arxiv.org/abs/1905.06712) 提交日期：2019-05-16 团队：挪威科技大学 作者：Hege Haavaldsen, Max Aasboe, Frank Lindseth 摘要：近年来，在车辆无人驾驶的能力方面取得了相当大的进步。端到端方法尝试使用单个、全面的软件组件来实现自动驾驶。最近深度学习的突破显着提高了端到端系统的能力，现在这些系统被认为是当前最先进解决方案的可能替代方案。本文研究了包含其他车辆，交通信号灯和速度限制的模拟城市环境中自动驾驶车辆的端到端学习。此外，本文还探讨了端到端系统执行导航命令的能力，并研究了通过利用后续视觉线索之间的时间依赖性是否可以实现改进的性能。提出了两种端到端架构：传统的卷积神经网络和将卷积神经网络与循环层相结合的扩展设计。使用来自模拟城市环境的专家驾驶数据训练模型，并且通过在看不见的模拟环境中的驾驶性能来评估模型。本文的结果表明，端到端系统可以在简单的城市环境中自主运行。此外，本文发现在后续图像中利用时间信息增强了系统判断运动和距离的能力。
[Training Object Detectors With Noisy Data](https://arxiv.org/abs/1905.07202) 提交日期：2019-05-17 作者：Simon Chadwick, Paul Newman 团队：牛津大学 Oxford Robotics Institute 摘要：大量标记的训练数据的可用性对于当前物体探测器的训练是至关重要的。 然而手动标记训练数据是耗时且昂贵的，且自动标记方法不可避免地会给标签添加不必要的噪音。 为此，我们研究了不同类型的标签噪声对物体探测器性能的影响。 然后，我们展示了如何改进协同教学，一种用于处理噪声标签的方法，以及先前在分类问题上演示的方法，以减轻标签噪声在物体检测设置中的影响。 最后，我们使用KITTI数据集上的模拟噪声和使用自动标记数据的车辆检测任务来说明我们的结果。
[LiDAR Sensor modeling and Data augmentation with GANs for Autonomous driving](https://arxiv.org/abs/1905.07290) 提交日期：2019-05-17 团队：法雷奥埃及 作者：Ahmad El Sallab, Ibrahim Sobh, Mohamed Zahran, Nader Essam 摘要：在自动驾驶领域，来自真实车辆的数据收集和注释是昂贵的并且有时是不安全的。 模拟器通常用于数据增强，这需要现实的传感器模型，这些传感器模型难以配制并以封闭形式建模。 相反，可以从真实数据中学习传感器模型。 主要挑战是缺少配对数据集，这使得传统的监督学习技术不适合。 在这项工作中，我们将问题表述为来自不成对数据的图像转换，并采用CycleGAN来解决LiDAR的传感器建模问题，从模拟LiDAR（sim2real）生成逼真的LiDAR。 此外，我们从较低分辨率（real2real）生成高分辨率，逼真的LiDAR。 LiDAR 3D点云在Bird-eye...
[Bridging the Gap between Open Source Software and Vehicle Hardware for Autonomous Driving](https://arxiv.org/abs/1905.02980) 提交日期：2019-05-08 研究机构：德国慕尼黑工业大学 作者：Tobias Kessler, Julian Bernhard, Martin Buechel, Klemens Esterle, Patrick Hart, Daniel Malovetz, Michael Truong Le,...
[FANTrack: 3D Multi-Object Tracking with Feature Association Network](https://arxiv.org/abs/1905.02843) 提交日期: 2019-05-07 研究机构： 作者：Erkan Baser, Venkateshwaran Balasubramanian, Prarthana Bhattacharyya, Krzysztof Czarnecki 摘要：我们提出了一种数据驱动的在线多目标跟踪（MOT）方法，该方法使用卷积神经网络（CNN）在逐个检测框架中进行数据关联。多目标跟踪的问题旨在将噪声检测分配给跨越一系列帧的先验未知和随时间变化的跟踪对象。大多数现有解决方案都侧重于繁琐地设计成本函数或将数据关联任务制定为可以有效解决的复杂优化问题。相反，我们利用深度学习的力量将数据关联问题表述为CNN中的推理。为此，我们建议学习一种相似性函数，该函数结合了来自对象的图像和空间特征的线索。我们的解决方案学会完全从数据中执行3D全局分配，处理嘈杂的检测和不同数量的目标，并且易于训练。我们在具有挑战性的KITTI数据集上评估我们的方法并显示出有竞争力的结果。代码：[wise-lab/fantrack](https://git.uwaterloo.ca/wise-lab/fantrack)。
[Driving Decision and Control for Autonomous Lane Change based on Deep Reinforcement Learning](https://arxiv.org/abs/1904.10171) 提交日期: 2019-04-23 研究机构：北理工、加州大学 作者：Tianyu Shi, Pin Wang, Xuxin Cheng, Ching-Yao Chan 摘要：为了实现高级自动化，自动驾驶汽车需要学习在复杂情况下做出决策并控制其运动。由于状态空间的不确定性和复杂性，大多数经典的基于规则的方法无法解决复杂决策任务的问题。深度强化学习在游戏和机器人等许多领域都取得了巨大成就。然而，强化学习算法的直接应用仍然面临着处理复杂自动驾驶任务的挑战。在本文中，我们提出了一种基于深层次强化学习的体系结构，用于决策和控制车道变换情况。我们将决策和控制过程分为两个相关的过程：1）何时进行变道操纵2）如何进行机动。具体而言，我们应用深度Q网络（DQN），在决定是否进行机动的任务中考虑安全性。此外，我们设计了两个类似的Deep Q学习框架，其中使用二次逼近器来决定如何选择舒适的间隙并且只需跟随前面的车辆。最后，生成多项式车道变换轨迹，并且实现用于路径跟踪的纯跟踪控制。我们从决策层和控制层证明了该框架在仿真中的有效性。所提出的架构还有可能扩展到其他自动驾驶场景。
[Improving benchmarks for autonomous vehicles testing using synthetically generated images](https://arxiv.org/abs/1904.10261) 提交日期：2019-04-23 研究机构：克拉科夫AGH科技大学 作者：Aleksander Lukashou 摘要：如今，自动驾驶技术是一个经过深度探索的领域，特别是计算机视觉作为车辆感知的主要组成部分。 基于神经网络的整个视觉系统的质量依赖于它所训练的数据集。 从世界上大多数县找到交通标志数据集是极其困难的。 意味着在立陶宛在途中识别出所有道路标志，但来自美国的自动驾驶车辆将无法驾驶。 在本文中，我们提出了一个解决方案，如何使用来自国家车辆的小型数据集来更新模型。重要的是要提到的不是灵丹妙药，而是小型升级，可以在数据有限的国家推动自动驾驶汽车的发展 。 我们实现了大约10％的质量提升，并期望在未来的实验中获得更好的结果。
[L3-Net: Towards Learning based LiDAR Localization for Autonomous Driving](https://songshiyu01.github.io/pdf/L3Net_W.Lu_Y.Zhou_S.Song_CVPR2019.pdf),定位 研究结构：百度自动驾驶事业部 作者: Weixin Lu、Yao Zhou、 Guowei Wan、Shenhua Hou、Shiyu Song 摘要：我们展示了L3-Net--一种基于学习的新型LiDAR定位系统，可实现厘米级的定位精度，与先前采用手工制作的SOTA系统相媲美。我们不是依赖这些手工模块，而是创新地实施各种深度神经网络结构的使用，以建立基于学习的方法。 L3-Net学习专门针对不同真实驾驶场景中的匹配进行优化的本地描述算子。在解决方案空间内构建的成本量上的3D卷积显着提高了定位精度。 RNN被证明可有效地模拟车辆的动力学，从而具有更好的时间平滑性及准确性。我们使用新收集的数据集全面验证了我们方法的有效性。在同一道路和区域进行重复数据收集的多次试验使我们的数据集成为测试定位系统的理想选择。 SunnyvaleBigLoop序列，在收集的测绘数据和测试数据之间有一年的时间间隔，这使得它非常具有挑战性，但我们的方法在这些数据集中的低定位误差证明了其在实际工业实施中的成熟度。
[GS3D: An Efficient 3D Object Detection Framework for Autonomous Driving](https://arxiv.org/abs/1903.10955),3D目标检测 提交日期：2019-03-27 研究结构：香港中文大学、悉尼大学、商汤科技 作者：Buyu Li, Wanli Ouyang, Lu Sheng, Xingyu Zeng, Xiaogang Wang 摘要：我们在自动驾驶的场景中提出了基于单个RGB图像的高效3D对象检测框架。我们的工作是在2D图像中提取底层3D信息并确定对象的精确的3D边界框且没有点云或立体数据。利用现成的2D物体探测器，我们提出了一种巧妙的方法来有效地为每个预测的2D边框中获得粗长方体。粗长方体具有足够的精度来指导我们通过细化来确定对象的3D盒子。与先前仅使用从2D边界框提取的特征进行盒子细化的SOTA方法相比，我们通过使用可见表面的视觉特征来探索对象的3D结构信息。表面的新特征用于消除仅使用2D边界框带来的表示模糊的问题。此外，我们研究了3D边框细化的不同方法，并发现具有质量意识损失的分类公式具有比回归更好的性能。在KITTI基准测试中，我们的方法优于当前基于单个RGB图像的3D对象检测的最先进方法。