[科研跟踪]MetaDriverse X UCLA组

这是Human-AI Shared Control via Policy Dissection这篇论文产出小组的一个介绍，导师说和咱们工作相近，我对他们以往和现在的工作进行一个研究。

研究组名称是MetaDriverse，是加州大学洛杉矶分校的。

研究组的github：https://metadriverse.github.io/

Bolei zhou的github：https://boleizhou.github.io/

1. 人机协作与共享控制

• Shared Autonomy with IDA: Interventional Diffusion Assistance
  • 发表时间：2024
  • 期刊：NeurIPS
• Learning from Active Human Involvement through Proxy Value Propagation
  • 发表时间: 2023
  • 期刊: NeurIPS Spotlight (Advances in Neural Information Processing Systems)
  • 简介: 本研究探讨了如何通过代理值传播来学习人类主动参与的方式。其目的是优化AI与人类之间的协作，提升自动驾驶系统的效率和安全性。
  • 这个就是在CarlaLeaderboard中提到的
• Human-AI Shared Control via Policy Dissection
  • 发表时间: 2022
  • 期刊: NeurIPS (Advances in Neural Information Processing Systems)
  • 简介: 本文提出了一种通过策略剖析实现人机共享控制的方法。通过将AI的决策过程与人类操作结合，使自动驾驶系统能够更好地与驾驶员协作。
  • Human-AI Shared Control via Policy Dissection这个是对这个论文的详解。
• Learning to Simulate Self-driven Particles System with Coordinated Policy Optimization
  • 发表时间: 2021
  • 期刊: NeurIPS (Advances in Neural Information Processing Systems)
  • 简介: 多智能体强化学习方法，本文提出了一种协调策略优化方法，用于模拟自驱动粒子系统，通过优化多个AI模型之间的协调合作，提升自动驾驶系统的协同能力。能够帮助多辆车或者其他类型的智能体在复杂的环境中通过协作来达到最佳的目标（比如安全、快速到达目的地等），而不是每个智能体单打独斗。

---

2. 场景生成与仿真

• SimGen: Simulator-conditioned Driving Scene Generation
  • 发表时间: 2024
  • 期刊: NeurIPS (Advances in Neural Information Processing Systems)
  • 简介: 该研究提出了SimGen，一种基于仿真器条件生成驾驶场景的方法，旨在生成复杂多样的驾驶环境，用于训练和测试自动驾驶系统。通过模拟不同的交通场景，提高自动驾驶系统的适应性和鲁棒性。
• TrafficGen: Learning to Generate Diverse and Realistic Traffic Scenarios
  • 发表时间: 2023
  • 期刊: ICRA (International Conference on Robotics and Automation)
  • 简介: 该研究提出了一种生成多样化和真实交通场景的方法，以便测试自动驾驶系统。研究旨在为自动驾驶系统提供丰富的场景数据，以提高其在不同环境下的表现。
• BEVGen: Street-View Image Generation from a Bird’s-Eye View Layout
  • 发表时间: 2024
  • 期刊: RA-L (IEEE Robotics and Automation Letters)
  • 简介: 该研究提出了一种从鸟瞰图生成街景图像的方法，旨在提供一种新方式来生成街景数据，帮助提升自动驾驶系统对复杂城市环境的理解。
• MetaDrive: Composing Diverse Driving Scenarios for Generalizable Reinforcement Learning
  • 发表时间: 2021
  • 期刊: TPAMI (IEEE Transactions on Pattern Analysis and Machine Intelligence)
  • 简介: 该研究提出了MetaDrive框架，用于生成多样化的驾驶场景，支持通用强化学习模型。其目的是提高自动驾驶系统在不同驾驶场景中的泛化能力，提升自动驾驶算法的适应性。
  • metadrive就用在了Human-AI Shared Control via Policy Dissection中的智能驾驶实验中。
• ScenarioNet: Open-Source Platform for Large-Scale Traffic Scenario Simulation and Modeling
  • 发表时间: 2023
  • 期刊: NeurIPS (Datasets and Benchmarks Track, Advances in Neural Information Processing Systems)
  • 简介: ScenarioNet是一个开源平台，用于大规模交通场景的模拟与建模。它为自动驾驶算法的测试提供了多样化的交通场景，旨在为自动驾驶技术的发展提供更丰富的场景数据。
  • 就是将数据集可视化成一个仿真环境。
• Urban Scene Diffusion through Semantic Occupancy Map
  • 发表时间: 2024
  • 期刊: arXiv (预印本)
  • 简介: 本研究提出了一种通过语义占用图生成城市环境的扩散模型，以帮助理解和生成复杂的城市交通场景。其目标是为自动驾驶系统提供更准确和丰富的城市环境模拟。

---

3. 自动驾驶安全与策略优化

这个主题与南洋理工大学吕辰老师组的工作类似

• CAT: Closed-loop Adversarial Training for Safe End-to-End Driving
  • 发表时间: 2023
  • 期刊: CoRL (7th Annual Conference on Robot Learning)
  • 简介: CAT方法通过闭环对抗训练提高端到端自动驾驶系统的安全性。在复杂和对抗性环境中，训练自动驾驶系统更加稳健，增强系统在实际场景中的表现。
• Guarded Policy Optimization with Imperfect Online Demonstrations
  • 发表时间: 2023
  • 期刊: ICLR (International Conference on Learning Representations)
  • 简介: 本文提出了一种在不完美的在线示范条件下进行策略优化的方法，旨在解决在真实世界中，驾驶数据往往不完美的问题，确保自动驾驶系统能够学习到安全有效的驾驶策略。
• Safe Driving via Expert Guided Policy Optimization
  • 发表时间: 2021
  • 期刊: CoRL (5th Annual Conference on Robot Learning)
  • 简介: 该研究提出了一种通过专家指导的策略优化方法，帮助自动驾驶系统学习更加安全的驾驶策略，减少交通事故的发生概率。
  • Safe Driving via Expert Guided Policy Optimization
• Efficient Learning of Safe Driving Policy via Human-AI Copilot Optimization
  • 发表时间: 2022
  • 期刊: ICLR (International Conference on Learning Representations)
  • 简介: 本文提出了通过人类与AI副驾驶协作优化策略学习的方法，从而提升自动驾驶系统的安全性。通过优化AI与人类驾驶员的协作，能够在驾驶中更好地避免危险。

---

4. 交通模拟与建模

• Learning to Generate Diverse Pedestrian Movements from Web Videos with Noisy Labels
  • 发表时间: 2024
  • 期刊: arXiv (预印本)
  • 简介: 该研究旨在从网络视频中学习生成多样化的行人行为，尤其是在有噪声标签的情况下。其目标是增强自动驾驶系统对行人运动的预测能力，提升行人安全性。

---