深度学习-End to End自动驾驶

最新推荐文章于 2024-08-05 11:02:14 发布
最新推荐文章于 2024-08-05 11:02:14 发布
阅读量3.9k 收藏 14
点赞数 4
分类专栏： 算法研究 文章标签： 自动驾驶 人工智能
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/gaoyanjie55/article/details/81095957
版权
本文概述了从1988年至2016年端到端自动驾驶技术的发展，包括ALVINN的早期尝试，2005年的Off-Road Obstacle Avoidance，2015年的DeepDriving，以及2016年的End to End Learning for Self-Driving Cars。这些方案通过CNN模型直接从输入图像预测转向角度，逐步优化自动驾驶的感知和控制能力，并在真实世界中进行测试。
摘要由CSDN通过智能技术生成

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。

输出方向和道路密集程度反馈：

道路密集程度反馈：The road intensity feedback unit indicates whether the road is lighter or darker than the non-road in the previous image.

 

2005年，Off-Road Obstacle Avoidance through End-to-End Learning

 

LeCUN也做了无人驾驶探索。2015年，提出了中间状态自动驾驶，无需生成各种复杂过程，只需要找出关键点生成决策控制。

05年方案：

  • 端到端直接预测
  • 输入为双目的图像
  • 输出为转向角度
  • 6层CNN模型

方案细节：

最低0.47元/天 解锁文章
gao8658
关注
专栏目录
DRL前沿之：End to End Learning for Self-Driving Cars
Flood Sung的专栏
05-03 9419
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/16
端到端深度学习在自动驾驶汽车上的应用
happytofly的博客
09-01 976
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...
一文了解“端到端”自动驾驶模型
最新发布
qq_22751305的博客
08-05 3188
对于华为、小鹏等国内玩家而言，大家普遍尚处于感知“端到端”、决策规划模型化阶段。参考特斯拉在2021和2022年年底的AI Day上分别公布了BEV和Occupancy Network的技术架构，“端到端”是深度学习中的概念，英文为“End-to-End（E2E）”，指的是一个AI模型，只要输入原始数据就可以输出最终结果。应用到自动驾驶领域，意味着只需要一个模型，就能把摄像头、毫米波雷达、激光雷达等传感器收集到的感知信息，转换成车辆方向盘的转动角度、加速踏板的踩踏深度以及制动的力度等具体操作指令，让汽车实现
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 3293
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 1108
论文理解 —— End to End Learning for Self-Driving Cars
End to End Learning for Self-Driving Cars
08-18
无人驾驶技术，
如何理解深度学习中的端到端（End-to-end）概念
热门推荐
sssssyuan的博客
02-14 2万+
在最近的论文阅读中，又一次见到作者提到 “端到端”（End-to-end) 这个概念，但是在专业课的学习和以往查的资料中，这个名词并没有被特意地强调过。 端到端，是相对于 非端到端 而言的。在机器学习最开始的时候，人们并不是直接输入原始数据，获得最终结果；而是首先通过特征提取，对原始数据进行初步的处理，然后再对于得到的特征进行学习，得出分类or回归的结果。比如使用一些hand-crafted fu...
端到端无人驾驶文献学习：End-to-end Interpretable Neural Motion Planner
Nick_cloud的博客
11-04 2650
End-to-end Interpretable Neural Motion Planner简介新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 简介 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你
End-to-end Interpretable Neural Motion Planner.pdf
05-20
端到端可解释的神经网络运动规划器（End-to-end Interpretable Neural Motion Planner）是指一类能够从输入到输出实现自动驾驶决策的系统，该系统对于理解自身决策过程具有透明性。在这个背景下，规划器通过处理高...
自动驾驶感知深度学习pytorch
06-22
自动驾驶感知是现代智能交通系统中的关键技术之一，而深度学习在这一领域扮演了核心角色。PyTorch，作为一款流行的深度学习框架，因其易用性、灵活性和强大的计算能力，被广泛应用于自动驾驶感知模型的开发。本资料...
行为克隆（End to End Learning for Self-Driving Cars 论文翻译）
weixin_43255962的博客
12-30 3856
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...
【论文翻译】End-to-end Driving via Conditional Imitation Learning
weixin_40523230的博客
05-18 1682
I. INTRODUCTION 为什么模仿学习没有扩展到完全自主的城市驾驶？模仿学习的一个假设是：最优action可以直接从observation中推断出来。但实际上这个假设并不成立，比如说：“当汽车接近十字路口时，摄像机的图像不足以预测该汽车应该左转、右转还是直行”。从数学上讲，从图像到控制命令的映射不再是一对一的函数映射。因此，用神经网络处理时候会遇到困难，导致震荡。就算神经网络可以...
无限场景开放式仿真器 PGDrive：Improving the Generalization of End-to-End Driving through Procedural Generation
10点43的博客
03-25 1156
本文介绍一个
自动驾驶---End-to-end用于Planning行为规划
智能汽车人的博客
01-06 1247
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。
[实践项目]Udacity self-driving-car-sim
Hali_Botebie的博客
03-21 2608
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...
端到端深度学习与自动驾驶（含参考文献）
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
机器学习之殇——神经网络的发展历程
镜悬xhs
04-30 1317
最近各种大模型横行，你想知道大模型是怎么来的吗？这篇文章将给你从远古开始，详细介绍大模型的前世今生！（评论有团队招聘哦，欢迎投递简历）
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 ...
评论
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