布朗瓶-CSDN博客

原创论文阅读：RACP: Risk-Aware Contingency Planning with Multi-Modal Predictions

为了使自动驾驶汽车在现实世界的交通场景中可靠运行，必须通过预测交通环境中其他参与者表现出的不确定意图来评估其未来行动的影响。受人类驾驶行为明显的多模态性质的驱动，本文提出了一种方法，利用贝叶斯信念对其他道路使用者潜在策略分布的判断来构建一种新颖的风险感知概率运动规划框架。具体来说，我们提出了一种新颖的应急计划器，它根据交通场景中其他参与者的多种可能意图输出长期应急计划。贝叶斯信念被纳入优化成本函数，以根据其他代理策略的可能性影响短期计划的行为。此外，采用概率风险度量来微调效率和稳健性之间的平衡。

2024-06-30 19:35:59 558 3

原创论文阅读： Learning to Plan Maneuverable and Agile Flight Trajectory with Optimization Embedded Network

近年来，越来越多的研究人员致力于利用深度神经网络进行端到端飞行导航。这种方法之所以受到关注，是因为它能够弥合传统方法中感知与规划之间的差距，从而消除模块之间的延迟。然而，以黑箱方式用神经网络替换原始模块的做法会降低整个系统的稳健性和稳定性。它缺乏原则性的解释，往往无法持续生成高质量的运动轨迹。此外，这种方法往往难以严格考虑机器人的运动学约束，导致生成的轨迹无法令人满意地执行。在这项工作中，我们结合了传统方法和神经网络的优势，提出了一种嵌入优化的神经网络。

2024-06-27 11:39:55 651

原创论文阅读： A Survey on Hybrid Motion Planning Methods for Automated Driving Systems

运动规划是自动驾驶汽车模块化架构的重要组成部分，是上游感知模块和下游低级控制信号之间的桥梁。传统的运动规划器最初是为特定的自动驾驶功能 (ADF) 设计的，但高度自动驾驶系统 (ADS) 不断发展，需要为各种 ADF（包括不可预见的功能）提供运动。这种需求促使文献中开发了“混合”方法，寻求通过结合各种技术（例如数据驱动（基于学习）和逻辑驱动（分析）方法）来提高运动规划性能。

2024-06-12 22:11:36 887

原创安装argoverse数据集及HiVT部署出现的问题

python=3.8/3.9时，如果装了2.0.1版本的torch+cu118，引用torch.nn里面的tranformer模块时，在前向转播的过程中可能会报错。建议安装低一点版本的torch。

2024-06-08 10:28:35 268

原创安装Apollo的一些问题和解决方案

持续更新（maybe…）

2024-05-11 16:27:09 1029 1

原创 VS code 连接服务器输入密码一直重试问题

问题：vscode使用 remote-ssh连接服务器一直出现问题，右下角一直出现重试-2，重试-3 ······解决办法：vscode 点击查看命令面板点击第一行选择对应ip地址，输入密码后重新连接即可

2024-03-31 23:12:16 285 1

原创 Ubuntu 20.04 ROS使用catkin_make解决报错：Invoking “cmake“ failed

【代码】Ubuntu 20.04 ROS使用catkin_make解决报错：Invoking “cmake“ failed。

2024-03-29 21:38:55 1207 3

原创【论文阅读】 Forging Vision Foundation Models for Autonomous Driving: Challenges, Methodologies, and...

在大量数据集上进行训练的大型基础模型的兴起正在彻底改变人工智能领域。SAM、DALL-E2 和 GPT-4 等模型通过提取复杂的模式并在不同的任务中有效执行来展示其适应性，从而成为广泛的人工智能应用程序的有效构建模块。自动驾驶是人工智能应用领域的一个充满活力的前沿领域，但由于缺乏专用的视觉基础模型（VFM），仍然面临着挑战。综合训练数据的缺乏、多传感器集成的需求以及多样化的特定任务架构对该领域的 VFM 发展构成了重大障碍。本文深入探讨了专门为自动驾驶打造 VFM 的关键挑战，同时也概述了未来的方向。

2024-03-19 10:17:40 1622

原创论文阅读：GenAD: Generative End-to-End Autonomous Driving

直接从原始传感器生成规划结果一直是自动驾驶长期渴望的解决方案，并且最近引起了越来越多的关注。大多数现有的端到端自动驾驶方法都将这个问题分解为感知、运动预测和规划。然而，我们认为传统的渐进式管道仍然无法全面地模拟整个交通演化过程，例如，自我汽车与其他交通参与者之间的未来交互以及先验的结构轨迹。在本文中，我们探索了一种端到端自动驾驶的新范式，其中关键是根据过去的场景预测自我汽车和周围环境如何演变。我们提出了 GenAD，一个将自动驾驶转化为生成建模问题的生成框架。

2024-02-23 15:19:50 1846

原创论文阅读：GameFormer: Game-theoretic Modeling and Learning of Transformer-based Interactive Prediction

在复杂的现实环境中运行的自动驾驶车辆需要准确预测交通参与者之间的交互行为。本文通过用层次博弈论来表述交互预测问题并提出 GameFormer 模型来解决它的实现。该模型结合了一个 Transformer 编码器，可以有效地模拟场景元素之间的关系，以及一个新颖的分层 Transformer 解码器结构。在每个解码级别，除了共享的环境上下文之外，解码器还利用前一级别的预测结果来迭代地完善交互过程。此外，我们提出了一个学习过程，可以调节当前级别的代理行为，以响应前一级别的其他代理的行为。

2024-01-18 20:39:56 2427 1

原创论文阅读： DiLu: A Knowledge-Driven Approach to Autonomous Driving with Large Language Models

自动驾驶的最新进展依赖于数据驱动的方法，这些方法被广泛采用，但面临着数据集偏差、过度拟合和不可解释性等挑战。从人类驾驶的知识驱动本质中汲取灵感，我们探索了如何将类似的功能注入自动驾驶系统的问题，并总结了一个集成交互环境、驾驶员代理和记忆组件的范例来解决这个问题。利用具有涌现能力的大型语言模型（LLM），我们提出了 DiLu 框架，该框架结合了推理和反射模块，使系统能够基于常识知识进行决策并不断发展。大量实验证明DiLu具有积累经验的能力，并且在泛化能力上比基于强化学习的方法具有显着优势。

2023-11-30 12:08:59 779

原创论文阅读：ChatGPT as Your Vehicle Co-Pilot: An Initial Attempt

人机协作中最具挑战性的问题之一是人类意图与机器理解和执行之间的差距。大型语言模型（LLM）在解决此类问题方面表现出了卓越的能力。在本文中，我们设计了一个通用框架，将LLM嵌入作为驾驶的车辆“Co-Pilot”，它可以根据提供的信息完成满足人类意图的特定驾驶任务。同时，定义了利用工作流来处理人与车之间的交互，并引入记忆机制来组织任务中涉及的信息。提出了面向专家的黑盒调整，以提高Co-Pilot的性能，而无需微调或训练LLM。在实验中，Co-Pilot被应用于两种不同的任务，即路径跟踪控制和轨迹规划。

2023-11-23 10:52:18 270

原创 LLM4AD论文阅读：A Survey of Large Language Models for Autonomous Driving

自动驾驶技术是交通和城市出行革命的催化剂，它倾向于从基于规则的系统过渡到数据驱动的策略。传统的基于模块的系统受到级联模块之间累积误差和不灵活的预设规则的限制。相比之下，端到端自动驾驶系统由于其完全数据驱动的训练过程而有可能避免错误积累，尽管它们由于其“黑匣子”性质而常常缺乏透明度，从而使决策的验证和可追溯性变得复杂。最近，大型语言模型（LLM）展示了包括理解上下文、逻辑推理和生成答案在内的能力。一个自然的想法是利用这些能力来增强自动驾驶能力。

2023-11-21 12:53:32 334

原创图神经网络GNN所需PyTorch Geometric库的安装

第一步：安装torch_sparse、torch_cluster、torch_scatter、torch_spline_conv三个包。安装环境：，Windows系统，torch版本：1.12.0+cu116（可以通过。下载链接：https://pytorch-geometric.com/whl/查看），python3.9。安装完四个包后运行一下命令。

2023-06-15 15:48:30 232 1

m0_48100146的博客