Effiziente Straßenszenen-Synthese mit Gaussian Splatting und Diffusions-Priors
Um die Freiheit der Ansichtssteuerung in autonomen Fahrsimulationen bei gleichzeitiger Aufrechterhaltung der Renderingeffizienz zu verbessern, präsentieren wir eine neuartige Methode, die 3D-Gaussian-Splatting mit einem angepassten Diffusions-Modell kombiniert.
Fotorealistische 3D-Fahrszenensimulation für autonomes Fahren durch kollaborative LLM-Agenten
Ein System, das fotorealistische 3D-Fahrszenensimulationen für autonomes Fahren durch natürlichsprachliche Befehle und Zusammenarbeit von LLM-Agenten ermöglicht.
Hochwertige Neuerstellung von LiDAR-Scans in dynamischen Fahrzeugszenarios durch Verwendung von Kompositionalen Neuronalen Feldern
DyNFL, ein neuartiger Ansatz auf Basis neuronaler Felder, ermöglicht eine hochwertige Neuerstellung von LiDAR-Scans in dynamischen Fahrzeugszenarios. Durch die Komposition separater neuronaler Felder für statischen Hintergrund und bewegte Objekte kann DyNFL die physikalischen Eigenschaften des LiDAR-Sensors präzise modellieren und bietet gleichzeitig flexible Editierfähigkeiten.
Hierarchische generative adversarielle Imitationslernen-Architektur mit mittlerer Eingabeerzeugung für autonomes Fahren in städtischen Umgebungen
Eine hierarchische Architektur, bestehend aus einem generativen adversariellen Netzwerk (GAN), das eine abstrakte mittlere Eingabedarstellung (Bird's-Eye View) erzeugt, und einem Generativen Adversariellen Imitationslernen (GAIL), das die Fahrzeugsteuerung auf Basis dieser Vorhersage lernt.
Effiziente und menschenähnliche Fahrassistenten durch datenreguliertes Selbstspiel-Reinforcement-Learning
Durch Hinzufügen einer Regularisierung zum PPO-Algorithmus können effektive und gleichzeitig menschenähnliche Fahrassistenten entwickelt werden, die in Fahrsimulationen besser mit menschlichen Fahrern koordinieren können.
Generierung von Szenario-basierten Lehrplänen für autonomes Fahren mit mehreren Agenten
Die automatisierte Generierung vielfältiger und komplexer Trainingsszenarios ist ein wichtiger Bestandteil für viele komplexe Lernaufgaben, insbesondere im Bereich des autonomen Fahrens. MATS-Gym ist ein Multi-Agenten-Trainingssystem, das die Erstellung von Verkehrsszenarien mit variablen Agenten in der CARLA-Simulationsumgebung ermöglicht und mit Techniken des unüberwachten Umgebungsdesigns kombiniert, um adaptive Lehrpläne zu automatisieren.
Wie gut sind NeRFs für das autonome Fahren geeignet? Überbrückung der Lücke zwischen realen und simulierten Daten
Anstatt sich allein auf die Verbesserung der Renderinggenauigkeit zu konzentrieren, erforschen wir einfache, aber effektive Methoden, um die Robustheit von Wahrnehmungsmodellen gegenüber NeRF-Artefakten zu erhöhen, ohne die Leistung auf realen Daten zu beeinträchtigen.