Autonomous Driving Systems
PulseAugur coverage of Autonomous Driving Systems — every cluster mentioning Autonomous Driving Systems across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
LLM辅助框架自动化自动驾驶系统测试
研究人员开发了FaultGene，一个使用大型语言模型（LLMs）自动创建故障增强测试用例来验证自动驾驶系统的新框架。该方法通过实现硬件在环（HIL）验证，解决了纯物理或模拟测试的局限性。FaultGene接收现有的驾驶场景和故障规范，生成可执行的测试，以捕捉硬件故障的影响，提高测试覆盖率和效率。
-
DyRAD方法实现动态驾驶场景的雷达新视角合成
研究人员开发了DyRAD，一种用于合成动态驾驶场景雷达新视角图像的新颖方法。与忽略多普勒速度或假设场景静态的先前方法不同，DyRAD使用静态和运动跟踪反射器来建模动态场景。这使得能够渲染完整的距离-方位角-多普勒（RAD）张量，并使用多普勒信息来监督目标跟踪。该方法还采用固定的解析点扩散函数，以防止传感器模糊被纳入场景表示，从而实现零样本传感器配置迁移。
-
CrashDiffuser 框架生成细粒度交通碰撞场景
研究人员开发了 CrashDiffuser，一个旨在为自动驾驶系统生成细粒度安全关键场景的新型框架。这个 VLM 引导的扩散模型将语义碰撞推理与轨迹合成解耦，从而能够精确控制车辆接触的位置。CrashDiffuser 旨在通过创建逼真且具有挑战性的场景来改进自动驾驶汽车的评估，实现了显著的碰撞率和接触区域控制成功率。
-
新型扩散模型生成可控高风险驾驶场景
研究人员开发了一种新颖的生成安全关键驾驶场景以增强自动驾驶系统的管道，名为RiskMV-DPO。该方法通过整合目标风险水平与基于物理的风险建模，实现了风险可控的多视角场景生成。该系统合成了多样化的高风险动态轨迹，并使用几何外观对齐模块和区域感知直接偏好优化策略来确保时空连贯性和几何保真度。实验表明，3D检测mAP显著提高，Fréchet inception distance降低，为主动、风险可控的综合世界模型奠定了基础。
-
新AI框架增强自动驾驶风险评估
研究人员开发了NSF-HRPT，一个用于评估安全关键场景风险的新框架，特别适用于自动驾驶系统。该方法结合了用于场景理解和概率碰撞时间（TTC）估计的神经语义场（NSF）以及用于多主体风险高效空间推理的分层风险感知树（HRPT）。该框架还纳入了一个Sim2Real增强策略，利用基础模型的先验知识，在无需完全重新训练的情况下提高实际应用能力。评估结果显示，该框架在合成基准测试上取得了最先进的性能，并在TTC估计和风险定位的真实世界数据集上…
-
新的LLM管道为自动驾驶系统测试生成逼真场景
研究人员开发了一种新的管道，用于生成逼真的场景来测试自动驾驶系统（ADS）。该方法利用历史故障记录中的自然语言描述，例如来自美国国家公路交通安全管理局（NHTSA）的记录，来创建多样化且准确的测试用例。该管道采用大型语言模型（LLMs）来合成与特定测试约束兼容的场景，并已成功应用于Metadrive模拟器，在有限的测试预算内发现了系统故障。
-
RiskFlow框架更快地生成逼真的自动驾驶场景
研究人员开发了RiskFlow，一个用于为自动驾驶系统生成安全关键交通场景的新框架。与现有缓慢且易出错的基于扩散的方法不同，RiskFlow使用单次前向传播将动作序列转换为逼真的未来轨迹。这种方法显著减少了推理时间，同时在复杂的多代理场景中保持了对抗性和逼真性之间的良好平衡。
-
新的PedestrianQA基准测试自动驾驶领域的视觉语言模型
研究人员推出了PedestrianQA，这是一个新的基准数据集，旨在评估视觉语言模型（VLM）在预测行人意图和轨迹方面的能力。该数据集将这些对自动驾驶至关重要的任务构建为问答问题，并包含结构化的解释性理由。通过在PedestrianQA上训练最先进的VLM，该研究证明了在意图分类、轨迹预测和生成解释性理由方面取得了显著的改进。
-
新框架提升VLMs在自动驾驶汽车中的异常检测能力
研究人员开发了SAVANT，一个旨在利用视觉语言模型（VLMs）改进自动驾驶系统中语义异常检测的新框架。SAVANT将异常检测重新构建为分层语义一致性验证，增强了现有VLMs识别罕见、分布外驾驶场景的能力。与标准提示方法相比，该框架的召回率提高了约18.5%，并实现了约10,000张真实图像的自动标注。通过使用这个精选数据集，一个微调的7B开源模型在单次异常检测中实现了90.8%的召回率和93.8%的准确率，为该领域的数据稀缺问题提供…
-
Sensor2Sensor 将行车记录仪视频转换为 AV 传感器数据
研究人员开发了 Sensor2Sensor，这是一种新的生成建模方法，可将野外行车记录仪视频转换为适合自动驾驶系统的结构化、多模态传感器数据。该方法利用公开可用视频素材的巨大规模和多样性，解决了专有数据集有限的挑战。Sensor2Sensor 利用扩散架构和 4D 高斯溅射技术，从单目视频生成逼真的多视图摄像头图像和 LiDAR 点云，从而为 AV 开发解锁了新的数据源。
-
ScenePilot 生成关键的、物理上有效的自动驾驶场景
研究人员开发了 ScenePilot，一个用于在自动驾驶模拟中生成关键场景的新框架。该系统专注于创建物理上合理但又足够具有挑战性以导致自动驾驶汽车故障的场景。通过结合物理可行性得分和 AI 驱动的风险预测器，ScenePilot 旨在更有效地压力测试自动驾驶汽车系统并提高其安全性。
-
新的UniAda攻击方法针对自动驾驶系统的转向和速度控制
研究人员开发了UniAda，一种新颖的对抗攻击方法，旨在测试端到端自动驾驶系统的鲁棒性。这种白盒技术可以生成图像无关的扰动，同时影响转向和速度控制，这与以往主要关注转向的方法不同。UniAda利用具有自适应加权方案的多目标优化函数来实现其目标。在模拟和真实世界数据上的实验表明，UniAda的性能显著优于现有基准，导致转向和速度出现重大偏差。