自动驾驶模型预测控制
本篇文章给大家分享自动驾驶模型预测跟踪，以及自动驾驶模型预测控制对应的知识点，希望对各位有所帮助。
简述信息一览：
- 1、自动驾驶开发者说|模块|轨迹预测有哪些开源的数据集?
- 2、DIPP:基于可学习损失函数的自动驾驶预测决策一体化模型
- 3、openpilot分析(2)—模型如何训练
- 4、自动驾驶控制算法实例之模型预测控制(MPC)--从模型推导到代码实现(以...
自动驾驶开发者说|模块|轨迹预测有哪些开源的数据集?
自动驾驶中，常用轨迹预测的开源数据集整理如下：nuScenes：提供车辆和行人预测，数据集于2020年4月发布，包含波士顿和新加坡的1000个驾驶场景，可用于论文研究。预测任务为对象未来轨迹预测，结果为一系列xy位置，预测时长为6秒，***样频率为2赫兹。
Argoverse 数据集，由 Argo AI、卡内基梅隆大学、佐治亚理工学院联合发布，包含 Argoverse 3D Tracking 和 Argoverse Motion Forecasting 两个部分。数据集全面，包括传感器数据、车辆与行人轨迹数据、地图数据等，其中，轨迹数据通过高精度 GPS 和 LiDAR 传感器获取，地图数据由 GPS 和摄像头数据生成。
将多个在线地图估计模型与轨迹预测方法结合，展示了通过引入在线地图不确定性，显著提高了下游预测模型的性能和训练特性，加速训练收敛速度高达50%，并提升在线预测准确性最多可达15%。研究发现，地图不确定性对于提高自动驾驶系统性能至关重要。
DIPP:基于可学习损失函数的自动驾驶预测决策一体化模型
1、为解决这一难题，南洋理工大学的研究团队提出了创新的DIPP模型，它将预测和规划无缝集成，引入了可学习的损失函数，以实现更精准、安全的决策。DIPP的核心理念在于，通过将规划的误差反馈给预测模块，它能够在实际预测中考虑到自车的决策与规划路径。
2、因此，本文提出了一种基于可学习损失函数的自动驾驶预测决策一体化模型——DIPP（differentiable integrated prediction and planning）。该模型的核心在于通过将规划误差反向传递至预测模块，使车辆决策规划与预测模块之间形成互动，同时学习到可调整的成本函数。DIPP模型由两个主要部分组成：预测器和规划器。
openpilot分析(2)—模型如何训练
1、总之，openpilot通过一系列创新的训练方法、模型结构改进和模拟器优化，实现了其超级组合模型在自动驾驶领域的有效应用，显著提高了模型在真实场景下的性能，展现出在复杂驾驶条件下的出色能力。
2、经过对比实验，我们发现原版Openpilot在nuScenes数据集上的表现并不理想，这可能与数据集的特定属性有关。然而，在Comma2k19数据集上，我们的复现模型表现出了更好的结果。分析表明，一个好的预训练权重可以带来一定的性能提升，但效果并不显著。
3、***用端到端AI模型，模型接收摄像头探测到的图像信息，输出规划信息，替代传统的感知、预测与规划过程，实现横向与纵向规划。它能够适应无车道线的道路与包含红绿灯、交通标志的路口。Openpilot拥有完整的用户生态系统，包括开源代码与用户论坛，方便用户进行功能完善与交流。
4、硬件环境与安装步骤：介绍使用的软硬件配置，并简述安装流程，直至设备在线标定完成。测试方法与功能：Openpilot主要实现ACC（含FCW）、ALC（含LDW）与DM（仅疲劳检测）功能。我们设计测试样例，包括但不限于ACC、ALC和DM功能的测试。
自动驾驶控制算法实例之模型预测控制(MPC)--从模型推导到代码实现(以...
1、控制模型的建立（以运动学为例）MPC，即模型预测控制，其核心在于模型。车辆模型主要分为动力学模型和运动学模型。在Autoware框架中，MPC算法主要运用三种控制模型。在低速场景中，运动学模型即可满足要求，因此本文以运动学模型为基础介绍MPC算法的实现流程。
2、尽管SMPC在处理复杂不确定性的道路上前行，它并非孤立存在。我们的研究受到[1]中Brdigam等人关于自动驾驶中结合随机和场景模型预测控制的启发，他们的工作提供了深入的理论支持。
3、在MPC算法中，我们首先定义了状态空间方程，包括横向误差、航向角误差、横向误差变化速率、航向角误差变化率、纵向位置误差以及纵向速度误差。控制量主要涉及车辆转角与加速度控制。通过状态转移方程，我们构建了预测模型，从而在连续时间与离散时间两种形式下实现了状态方程的转换。
关于自动驾驶模型预测跟踪和自动驾驶模型预测控制的介绍到此就结束了，感谢你花时间阅读本站内容，更多关于自动驾驶模型预测控制、自动驾驶模型预测跟踪的信息别忘了在本站搜索。
