自动驾驶车辆的本质是轮式移动机器人,是一个集模式识别、环境感知、规划决策和智能控制等功能于一体的综合系统。人工智能和机器学习领域的进步极大推动了自动驾驶技术的发展。当前主流的机器学习方法分为:监督学习、非监督学习和强化学习3种。强化学习方法更适用于复杂交通场景下自动驾驶系统决策和控制的智能处理,有利于提高自动驾驶的舒适性和安全性。深度学习和强化学习相结合产生的深度强化学习方法成为机器学习领域中的热门研究方向。首先对自动驾驶技术、强化学习方法以及自动驾驶控制架构进行简要介绍,并阐述了强化学习方法的基本原理和研究现状。随后重点阐述了强化学习方法在自动驾驶控制领域的研究历史和现状,并结合北京联合大学智能车研究团队的研究和测试工作介绍了典型的基于强化学习的自动驾驶控制技术应用,讨论了深度强化学习的潜力。最后提出了强化学习方法在自动驾驶控制领域研究和应用时遇到的困难和挑战,包括真实环境下自动驾驶安全性、多智能体强化学习和符合人类驾驶特性的奖励函数设计等。研究有助于深入了解强化学习方法在自动驾驶控制方面的优势和局限性,在应用中也可作为自动驾驶控制系统的设计参考。

http://www.cjig.cn/jig/ch/reader/view_abstract.aspx?file_no=20210103&flag=1

成为VIP会员查看完整内容
0
37

相关内容

自动驾驶汽车,又称为无人驾驶汽车、电脑驾驶汽车或轮式移动机器人,是自动化载具的一种,具有传统汽车的运输能力。作为自动化载具,自动驾驶汽车不需要人为操作即能感测其环境及导航。完全的自动驾驶汽车仍未全面商用化,大多数均为原型机及展示系统,部分可靠技术才下放至商用车型,但有关于自驾车逐渐成为现实,已经引起了很多有关于道德的讨论。

随着人工智能技术的深入发展,自动驾驶已经成为人工智能技术的典型应用,近十年得到了长足的发展,作为一类非确定性系统,自动驾驶车辆的质量和安全性得到越来越多的关注.对自动驾驶系统,特别是自动驾驶智能系统(如感知模块,决策模块,综合功能及整车)的测试技术得到了业界和学界的深入研究.本文调研了56篇相关领域的学术论文,分别就感知模块、决策模块、综合功能模块及整车系统的测试技术、用例生成方法和测试覆盖度量等维度对目前已有的研究成果进行了梳理,并描述了自动驾驶智能系统测试中的数据集及工具集.最后,对自动驾驶智能系统测试的未来工作进行了展望,为该领域的研究人员提供参考.

http://www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6266&flag=1

成为VIP会员查看完整内容
0
26

机器视觉是建立在计算机视觉理论工程化基础上的一门学科,涉及到光学成像、视觉信息处理、人工智能以及机电一体化等相关技术。随着我国制造业的转型升级与相关研究的不断深入,机器视觉技术凭借其精度高、实时性强、自动化与智能化程度高等优点,成为了提升机器人智能化的重要驱动力之一,并被广泛应用于工业生产、农业以及军事等各个领域。在广泛查阅相关文献之后,针对近十多年来机器视觉相关技术的发展与应用进行分析与总结,旨在为研究学者与工程应用人员提供参考。首先,总结了机器视觉技术的发展历程、国内外的机器视觉发展现状;其次,重点分析了机器视觉系统的核心组成部件、常用视觉处理算法以及当前主流的机器视觉工业软件;然后,介绍了机器视觉技术在产品瑕疵检测、智能视频监控分析、自动驾驶与辅助驾驶与医疗影像诊断等四个典型领域的应用;最后分析了当前机器视觉技术所面临的挑战,并对其未来的发展趋势进行了展望。希望为机器视觉技术的发展和应用推广发挥积极作用。

成为VIP会员查看完整内容
0
58

自动驾驶一直是人工智能应用中最活跃的领域。几乎在同一时间,深度学习的几位先驱取得了突破,其中三位(也被称为深度学习之父)Hinton、Bengio和LeCun获得了2019年ACM图灵奖。这是一项关于采用深度学习方法的自动驾驶技术的综述。我们研究了自动驾驶系统的主要领域,如感知、地图和定位、预测、规划和控制、仿真、V2X和安全等。由于篇幅有限,我们将重点分析几个关键领域,即感知中的二维/三维物体检测、摄像机深度估计、数据、特征和任务级的多传感器融合、车辆行驶和行人轨迹的行为建模和预测。

https://arxiv.org/abs/2006.06091

成为VIP会员查看完整内容
1
71

【简介】随着深度表示学习的发展,强化学习(RL)已经成为了一个强大的学习框架,其可以在高维度空间中学习复杂的规则。这篇综述总结了深度强化学习(DRL)算法,提供了采用强化学习的自动驾驶任务的分类方法,重点介绍了算法上的关键挑战和在现实世界中将强化学习部署在自动驾驶方面的作用,以及最终评估,测试和加强强化学习和模仿学习健壮性的现有解决方案。

论文链接: https://arxiv.org/abs/2002.00444

介绍:

自动驾驶(AD)系统由多个感知级任务组成,由于采用了深度学习架构,这些任务现在已经达到了很高的精度。除了感知任务之外,自主驾驶系统还包含多个其他任务,传统的监督学习方法已经不再适用。首先,当对agent行为的预测发生变化时,从自动驾驶agent所处的环境中接收到的未来传感器观察到的结果,例如获取市区最佳驾驶速度的任务。其次,监督信号(如碰撞时间(TTC),相对于agent最佳轨迹的侧向误差)表示agent的动态变化以及环境中的不确定性。这些问题都需要定义随机损失函数来使其最大化。最后,agent需要学习当前环境新的配置参数,预测其所处的环境中每一时刻的最优决策。这表明在观察agent和其所处环境的情况下,一个高维度的空间能够给出大量唯一的配置参数。在这些场景中,我们的目标是解决一个连续决策的问题。在这篇综述中,我们将介绍强化学习的概念,强化学习是一种很有前景的解决方案和任务分类方法,特别是在驱动策略、预测感知、路径规划以及低层控制器设计等领域。我们还重点回顾了强化学习在自动驾驶领域当中各种现实的应用。最后,我们通过阐述应用当前诸如模仿学习和Q学习等强化学习算法时所面临的算力挑战和风险来激励使用者对强化学习作出改进。

章节目录:

section2: 介绍一个典型的自动驾驶系统及其各个组件。

section3: 对深度强化学习进行介绍,并简要讨论关键概念。

section4: 探讨在强化学习基本框架上对其进行更深层次,更加复杂的扩展。

section5: 对强化学习用于自动驾驶领域的所面临的问题提供一个概述。

section6: 介绍将强化学习部署到真实世界自动驾驶系统中所面临的挑战。

section7: 总结

成为VIP会员查看完整内容
0
80

【导读】强化学习最新综述新鲜出炉。在这篇文章中,作者对强化学习进行了全面的研究,包括现有的挑战、不同技术的最新发展以及未来的发展方向。文章致力于提供一个清晰简单的研究框架,能够为新的研究人员或者想全面了解强化学习领域的人提供一个参考。

摘要: 强化学习是设计强调实时响应的人工智能系统的核心组成部分之一。强化学习能够影响系统在任意的环境中的行动,不管它之前是否了解环境模型。在这篇论文中,我们对强化学习进行了全面的研究,包括了现有挑战、不同技术的最新发展情况以及未来的发展方向等多个维度。本论文的基本目标是提供一个足够简单和清晰的框架,以介绍现有的强化学习方法,从而为新的研究人员和学者了解该领域的核心进展。首先,我们以一种易于理解和比较的方式阐述了强化学习的核心技术。然后,我们分析并描述了强化学习方法的最新发展。我们的分析指出,大多数模型关注于调优策略值,而不是在特定的推理状态下调优其他东西。

地址:

https://arxiv.org/abs/2001.06921

成为VIP会员查看完整内容
0
145
小贴士
相关VIP内容
专知会员服务
14+阅读 · 2月17日
专知会员服务
26+阅读 · 1月24日
专知会员服务
22+阅读 · 2020年12月28日
专知会员服务
41+阅读 · 2020年12月11日
专知会员服务
58+阅读 · 2020年11月27日
专知会员服务
16+阅读 · 2020年11月26日
专知会员服务
71+阅读 · 2020年6月14日
专知会员服务
80+阅读 · 2020年2月8日
专知会员服务
145+阅读 · 2020年1月23日
相关资讯
相关论文
Samuel Tesfazgi,Armin Lederer,Sandra Hirche
0+阅读 · 4月9日
Jamming-Resilient Path Planning for Multiple UAVs via Deep Reinforcement Learning
Xueyuan Wang,M. Cenk Gursoy,Tugba Erpek,Yalin E. Sagduyu
0+阅读 · 4月9日
Marcelo Orenes-Vera,Aninda Manocha,David Wentzlaff,Margaret Martonosi
0+阅读 · 4月8日
Progressive Semantic Segmentation
Chuong Huynh,Anh Tran,Khoa Luu,Minh Hoai
0+阅读 · 4月8日
Annie Xie,Dylan P. Losey,Ryan Tolsma,Chelsea Finn,Dorsa Sadigh
10+阅读 · 2020年11月12日
Multi-Modal Domain Adaptation for Fine-Grained Action Recognition
Jonathan Munro,Dima Damen
6+阅读 · 2020年3月19日
Domain Aggregation Networks for Multi-Source Domain Adaptation
Junfeng Wen,Russell Greiner,Dale Schuurmans
4+阅读 · 2019年9月11日
Deepak Pathak,Yide Shentu,Dian Chen,Pulkit Agrawal,Trevor Darrell,Sergey Levine,Jitendra Malik
4+阅读 · 2018年6月21日
Mohammadhosein Hasanbeig,Alessandro Abate,Daniel Kroening
5+阅读 · 2018年4月22日
Top