基于因果变换器和Q学习的具有语义感知的自动驾驶车辆导航

《ACM Journal on Autonomous Transportation Systems》：Semantic-Aware Autonomous Vehicle Navigation with Causal Transformers and Q-Learning

视觉感知对自动驾驶至关重要，本研究提出基于Transformer的新流程实现深度估计与语义感知路径规划，结合密集预测模型、因果Transformer和Q-learning，通过RMSE、深度精度及安全指标评估，证明在模拟和真实场景中显著提升障碍物预判与车辆响应能力，支持SDG9和SDG11。

　　

摘要

视觉感知对自动驾驶车辆的导航至关重要，它通过深度估计和语义分割来实现对周围环境的认知。本研究提出了一种基于Transformer的新方法，用于深度感知和具有语义理解能力的路径规划，从而提升车辆的视觉理解能力。我们的方法结合了用于相对深度估计和语义信息的密集预测模型、因果Transformer以及Q学习算法来进行导航。我们使用均方根误差（Root Mean Square Error）和深度精度（Depth Accuracy）等指标来评估该方法的性能，并结合基于安全性的指标进行综合评估。在多种模拟环境和真实世界场景中对代理行为的定性分析表明，该方法显著提升了自动驾驶车辆对周围环境的理解能力。实验结果证明，所提出的方法在模拟环境和真实世界环境中都能增强车辆对障碍物的预测能力以及响应速度。通过提高自动驾驶系统的可靠性，这项工作为实现可持续发展目标（SDG 9）中关于智能交通的弹性基础设施做出了贡献，同时也通过更安全、更高效的城市交通解决方案支持了可持续发展目标（SDG 11）的实现。