テスラのFSDシステムが、都市部での走行において、1000kmあたり約1.7回の重要な介入が必要な状況まで改善されてきている。
自動運転車両の視点から、オブジェクト検出の予測が対応する地上真値を完全に覆うことを要求する、妥協のない空間制約を提案する。
CARLA シミュレータを使用して、雨天および晴天条件下における自動運転車のアダプティブ・クルーズ・コントロールの性能を評価し、最適化する。
自動運転における強化学習の報酬関数設計には多くの課題があり、安全性、快適性、進捗、交通規則順守などの目標を適切に組み合わせることが重要である。
物理情報を活用したモデル予測制御と ポテンシャル関数を組み合わせた安全コントローラーにより、ニューラルネットワークベースの自動運転計画の安全性と適応性を向上させる。
4D ミリ波レーダーは、自動運転における環境認識、位置推定、マッピングの重要なセンサーとなっている。本調査では、4D ミリ波レーダーの理論的背景、信号処理ワークフロー、データ品質向上手法、関連データセット、および自動運転への応用アルゴリズムを包括的に紹介する。
自動運転システムは安全性と正しい運転判断のためにAIコンポーネントに大きく依存しているが、これらのAIアルゴリズムは一般的に脆弱であり、攻撃に対して脆弱である。しかし、AIコンポーネントレベルの脆弱性が必ずしもシステムレベルの脆弱性につながるわけではない。この意味論的なギャップを埋めるための研究が重要である。
CoCar NextGenは、様々な自動運転研究用途に対応できる柔軟な研究プラットフォームである。センサ構成の多様性と冗長性により、環境認識や他センサとの連携など、幅広い研究を可能にする。
本論文では、自動運転のパス追跡制御のための効率的な生涯学習ポリシーフレームワークを提案する。このフレームワークは、模倣学習を用いて初期ポリシーを学習し、その後、蓄積された走行経験を用いて段階的にポリシーを改善・進化させることができる。さらに、知識評価スキームを導入することで、ポリシーの性能向上を保証しつつ、学習コストを削減することができる。
自動運転システムの信頼性と堅牢性を高めるために、高品質なデータセットが不可欠である。本調査では、265の自動運転データセットを多角的に分析し、データの特性、アノテーションの品質、地理的・環境的条件の影響を明らかにした。さらに、新しい指標を提案し、将来のデータセット作成の指針を示した。