HE-Driveは、人間の運転のように、時間的に一貫性があり快適な軌道を生成する、人間中心型のエンドツーエンド自動運転システムである。
高精度地図データと動的センサデータを統合し、自動運転車の軌道を正確に予測するモデル「MapsTP」を提案する。
自動運転における最も危険なシナリオは、時間的文脈の中でのみ検出できる。本研究では、自動運転の車載カメラの視点から正常性を学習し、稀で重要なシナリオにおける画素単位の異常検出を行う。
VLM-Autoは、視覚入力に基づいて道路環境を分析し、運転行動を調整することで、自動運転車に人間的な理解と柔軟な対応を実現する。
DualADは、人間の認知プロセスを模倣した自動運転フレームワークであり、ルールベースのモーションプランナーと大規模言語モデルを組み合わせることで、複雑な走行シナリオにおける推論能力を向上させる。
不確実な他の交通参加者の行動に対して、確率的指標を用いることで過度に保守的な決定を避けつつ、安全性を確保する先制的な緊急衝突回避計画を提案する。
失敗データを活用することで、自動運転車の計画アルゴリズムの一般化性能を向上させることができる。
本研究は、自動運転車の周辺車両の軌道を正確に予測するために、運転行動、倫理的意思決定、リスク評価の原則を組み込んだ新しい軌道予測モデルを提案する。このモデルは、車両間の相互作用、運転意図、リスク評価の3つのモジュールから構成され、複雑な交通シナリオにおける軌道予測の精度と適応性を大幅に向上させる。
本研究では、異種のセンサ入力を統一的に扱い、交通シーンの様々な要素を包括的にモデル化した新しい制御修正手法を提案する。これにより、複雑で動的な実世界シナリオでも安全な制御修正を実現できる。
本研究は、安全性、時間効率性、快適性、エネルギー効率性の4つの客観的な運転経験要因を統合的に評価し、人間の主観的な評価結果を反映する新しい自動運転意思決定性能評価手法を提案する。