DRL前沿之：End to End Learning for Self-Driving Cars

最新推荐文章于 2024-01-06 09:28:09 发布
最新推荐文章于 2024-01-06 09:28:09 发布
阅读量9.4k 收藏 12
点赞数 2
分类专栏： Deep Reinforcement Learning Artificial Intelligence 深度增强学习DRL 文章标签： 深度学习 无人驾驶 nvidia
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/songrotek/article/details/51302515
版权
NVIDIA的DAVE-2系统利用人类驾驶数据训练端到端的CNN，实现了仅凭摄像头输入就进行汽车控制。通过在车辆上额外安装摄像头并模拟3D变化生成错误样本，简化了训练过程。该系统未来有望结合增强学习进一步提升自动驾驶能力。
摘要由CSDN通过智能技术生成

前言

如果大家关注上个月Nvidia GTC，那么大家应该会注意到Nvidia 老大黄仁勋介绍了他们自家的无人驾驶汽车，这个汽车的无人驾驶技术和以往的方法不一样，完全采用神经网络。这个系统取名为DAVE。
NVIDIA GTC Self-Driving Car
上面的视频需翻墙观看。

很庆幸的是，就在上周，Nvidia发表了他们的文章来介绍这个工作：
http://arxiv.org/abs/1604.07316

虽然这个工作暂时和Reinforcement Learning没有关系，但是相信他们会加上增强学习是这个无人车具备自主学习提升的能力。

Abstract

这个工作的思路可以说超级的简单，就是使用人类的驾驶数据来训练一个端到端的卷积神经网络CNN。输入是车载摄像头，输出直接是汽车的控制数据。想来这个事情在以前恐怕是难以想象的，要知道当前最先进的自动驾驶系统依然是采用标志识别，道路识别，行人车辆识别，路径规划。。。各种步骤来实现的。而现在这些通通不用，就给汽车一个图像，让汽车根据图像做判断。想想这是一个非常神奇的事情，虽然根据CNN的能力我们可以理解这是可以做到的。

那么这件事大概当前也就Nvidia可以做，因为他们有最先进的硬件Nvidia DevBox，Nvidia DRIVE PX。

那么通过训练，他们在一定程度上取得了成功。结果很重要。训练出来之后，这意味着在未来，随着性能的提升，训练的进一步强化࿰

最低0.47元/天 解锁文章
songrotek
关注
专栏目录
lecture1 Introduction to Deep Learning and Self-Driving Cars.zi
10-02
3. 路径规划与决策：深度强化学习（Deep Reinforcement Learning, DRL）被用于训练自动驾驶汽车在复杂环境中进行决策，如避免碰撞、遵守交通规则和选择最优行驶路径。 4. 驾驶行为模仿：通过深度学习模型学习大量...
端到端自动驾驶经典研读：End to End Learning for Self-Driving Cars
选好坑 挖好坑 才会结出好的果子
03-02 3273
Bojarski, M., et al., End to end learning for self-driving cars. arXiv preprint arXiv:1604.07316, 2016. 摘要 我们训练了一个卷积神经网络（CNNs），将车前部摄像头捕捉到的原始像素图映射为汽车的方向操控命令。研究表明了这种的端到端技术被证明具有巨大的潜力：只需要提供少量的训练数据，系统就能自动学会驾驶技术，无论是否有车道标志线，无论是在普通公路还是高速公路。该技术还可应用在视线不清晰的区域，比如停车场或者
论文理解【IL - BC】—— End to End Learning for Self-Driving Cars
佚失的诗篇
09-26 1093
论文理解 —— End to End Learning for Self-Driving Cars
行为克隆（End to End Learning for Self-Driving Cars 论文翻译）
weixin_43255962的博客
12-30 3850
摘要：我们训练了一个卷积神经网络(CNN)来将原始像素从一个向前倾斜的摄像头直接映射到转向指令。事实证明，这种端到端的方法非常强大。通过最少的人类训练数据，该系统学会了在有或没有车道标记的地方道路和高速公路上驾驶。它还在一些视觉引导不清晰的区域开展业务，比如停车场和未铺设的道路上。 该系统只以人的转向角作为训练信号，自动学习必要的过程步骤的内部表示，如检测有用的道路特征。我们从未明确地训练它去探测...
深度学习-End to End自动驾驶
数据笔记
07-18 3924
下面内容从端到端的自动驾驶的方案看相关技术脉络：   1988年，ALVINN: An Autonomous Land Vehicle In a Neural Network    已经有人开始尝试使用End-to-End。但局限于30×32像素，还没有CNN，这样也能在简单道路上实现自动驾驶。 方案： 采用全连接神经网络，输入viedo和laser range finder作为输入。...
端到端深度学习在自动驾驶汽车上的应用
happytofly的博客
09-01 965
原文：End-to-End Deep Learning for Self-Driving Cars 翻译：KK4SBB 责编：周建丁（zhoujd@csdn.net） 在最近的一款汽车应用产品中，我们用卷积神经网络（CNNs）将车前部摄像头捕捉到的原始像素图映射为汽车的方向操控命令。这种强大的端到端技术意味着，只需要人们提供少量的训练数据，系统就能自动学会驾驶技术，无论有没有车道...
roguelike-7drl-2021:2021年使用Raylib进行7DRL挑战的传统Roguelike游戏
03-08
7DRL 2021目标创建一个简单的Roguelike（受原始Rogue和OD＆D的启发）。 这将包括程序性地牢，战斗和战利品。 如果时间允许的话，希望还有魔术，射箭和商店。日志第一天（2021/8/03） 今天的目标是使用玩家生物的移动...
awesome-deep-reinforcement-learning:深度强化学习（DRL）的精选清单
05-08
很棒的深度强化学习深度强化学习（DRL）的精选列表：软件框架，模型，数据集，体育馆，基线... 为此，包括具有很多视觉示例的通用机器学习（ML），神经网络（NN）和深度神经网络（DNN），以及具有视频游戏/机器人...
octarine-7drl：Octarine 7DRL-2019 https：draconis.itch.iooctarine
02-06
在压缩包文件名称列表中，"octarine-7drl-master"可能是游戏的源代码仓库，"master"分支通常表示项目的主分支，包含最新且稳定的代码。这个文件可能包含了Octarine游戏的所有源代码、资源文件和元数据，对于那些想...
Multi-Agent-DRL:多主体深度强化学习研究
05-23
公用池资源系统中的深度多主体强化学习 中的论文中的实验源代码。 该论文已被接受并发表在IEEE CEC 2019上。 介绍 在复杂的社会生态系统中，具有不同目标的多个代理机构采取的行动会影响系统的长期动态。...
End to End Learning for Self-Driving Cars
08-18
无人驾驶技术，
MIT 6.S094 自动驾驶
02-06
MIT 6.S094 2018 自动驾驶 深度学习.............................................................................................................................................................
自动驾驶汽车之深度学习PPT 2018 MIT 6.S094 Deep Learning for Self-Driving Cars
02-08
自动驾驶汽车之深度学习 2018 MIT 6.S094 Deep Learning for Self-Driving Cars 自动驾驶汽车之深度学习 2018 MIT 6.S094 Deep Learning for Self-Driving Cars 自动驾驶汽车之深度学习 2018 MIT 6.S094 Deep Learning for Self-Driving Cars
[实践项目]Udacity self-driving-car-sim
Hali_Botebie的博客
03-21 2605
Udacity通过开源协议授权公开了它的自动驾驶汽车模拟器，有 Unity 技术背景的任何人都可以利用此模拟器的资源，载入软件内置场景或创建自己的虚拟测试路线。 主要用于教授学生如何使用深度学习，训练无人驾驶汽车。 这个平台算是这些个开源平台中最简单的 项目地址：Welcome to Udacity’s Self-Driving Car Simulator https://github.com...
CNN在自动驾驶中的不同结构
ybdesire的专栏
04-08 1320
1. 引入 真实的驾驶场景，是根据一些测量值，来预测汽车的油门、刹车、方向盘角度的过程。这些测量值可能包括：汽车速度，加速度，转向角，GPS坐标，陀螺仪角度等值，当然也少不了摄像机拍摄的车辆前方的图像。这其中CNN最擅长做的，是图像数据的处理，包括物体识别（行人，车辆，车道，交通标志），也包括回归（方向盘角度预测）。 自动驾驶领域另CNN大放光彩的，是Intel发布的一篇paper[1]：End ...
自动驾驶---End-to-end用于Planning行为规划
最新发布
智能汽车人的博客
01-06 1243
从GPT4-V的表现总体来说，类似GPT4-V这种大模型用于自动驾驶决策还是很有前景的，当喂入海量的人类驾驶数据及场景图片，它的驾驶行为也会越来越智能，至于直接端到端到控制目前来看可能比较激进，以量产的角度来看，笔者认为用于自动驾驶行为规划是非常合适的。
MIT 深度学习与自动驾驶公开课 Deep Learning for Self-Driving Cars 讲义梗概
自己的学习笔记
01-06 8750
课程资源 链接: https://pan.baidu.com/s/1jIKRmHC 密码: d7vfMIT今年的深度学习与自动驾驶课，课程比较短，只有五节课，是比较基础的概述。提纲整理如下： Introduction to Deep Learning and Self-Driving Cars Deep Reinforcement Learning for Motion Planning Lear
端到端深度学习与自动驾驶（含参考文献）
热门推荐
自己的学习笔记
12-21 2万+
参考文献见最后。1.自动驾驶系统的分类 Rule based system基于规则的系统, 也有论文中将这样的方法叫做Mediated percepiton approach. Fully end-to-end 端到端的系统, 也有论文中叫做behavior reflex approach. Intermediate approach综合1、 2两种的综合性方法,如 Princeton的DeepDr
自动驾驶：End-to-end Learning
绕池闲步看鱼游，正值儿童弄钓舟。
04-10 3409
End-to-end Learning of Driving Models from Large-scale Video Datasets简介采用基于感知的策略学习（perception-based policies）来完成复杂的自动驾驶行为，正在称为计算机视觉的一个重要研究方向。作者认为，虽然基于规则的方法取得了一定的成果，但是基于学习的方法才是终极方案，尤其是在处理复杂少见场景以及需要和多个ag
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值