Leveraging Modular Architectures and End-to-End Learning for Autonomous Driving in Unmapped Environments (2024)
- Authors:
- Autor USP: ROSERO, LUIS ALBERTO ROSERO - ICMC
- Unidade: ICMC
- Sigla do Departamento: SSC
- DOI: 10.11606/T.55.2024.tde-09082024-163642
- Subjects: VEÍCULOS AUTÔNOMOS; TRAJETÓRIA; TOMADA DE DECISÃO; PREDIÇÃO; REDES NEURAIS; PERCEPÇÃO
- Keywords: Arquitetura híbrida; Arquitetura modular; Autonomous driving; CARLA simulator; Condução autônoma; Decision-making; Disparidade; Disparity; End-to-end; End-to-end; Hybrid architecture; Intelligent and autonomous vehicles; Modular architecture; Path planning; Perception; Prediction; Simulador CARLA
- Agências de fomento:
- Language: Inglês
- Abstract: A condução autônoma promete uma revolução na área de transportes, proporcionando benefícios sociais e econômicos significativos. Apesar dos avanços notáveis na tecnologia de veículos autônomos em ambientes mapeados, a navegação em áreas não mapeadas continua a ser um desafio persistente. Esta tese investiga o desenvolvimento de arquiteturas de condução autônoma para navegação em tempo real, com e sem mapas. Três abordagens são propostas, implementadas, comparadas e avaliadas: Arquitetura modular: Um agente personalizado realiza a coleta de dados e serve como linha de base para navegação baseada em mapa. Algoritmos tradicionais e novos módulos para percepção, tomada de decisão e previsão são integrados para garantir uma navegação segura em ambientes mapeados. Este agente atua como professor para os agentes de navegação sem mapa. Aprendizagem end-to-end: As redes neurais aprendem políticas a partir de dados por meio de técnicas de aprendizagem por imitação. A simplicidade é priorizada para operação em tempo real em ambientes sem mapas. Diferentes tipos de sensores e métodos de fusão são explorados para melhorar o desempenho. Arquitetura Híbrida: Combinando a interpretabilidade de sistemas modulares com a capacidade de aprendizagem de modelos end-to-end, esta abordagem integra o planejamento de trajetória baseado em dados com módulos de percepção, localizacao, tomada de decisao e controle. Oferece robustez, flexibilidade e adaptabilidade. Além disso, um framework baseado em ROSdenominada "CaRINA agent" é desenvolvido para implementar pipelines modulares e facilitar a incorporação de métodos end-to-end e a construção de arquiteturas híbridas. Para avaliar de forma abrangente nossas metodologias, aproveitamos os Leaderboards do CARLA, alcançando resultados competitivos tanto no Leaderboard 1 quanto no Leaderboard 2, classificando as nossas abordagens especificamente entre os primeiros nas categorias SENSORES e MAP. Além disso, a nossa arquitetura modular e agente híbrido garantiram o 1º e o 2º lugar no CARLA Autonomous Driving Challenge (CADCH) 2023, mostrando a eficácia das abordagens propostas.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
- Data da defesa: 06.05.2024
- Status:
- Artigo possui versão em acesso aberto em repositório (Green Open Access)
- Versão do Documento:
- Versão submetida (Pré-print)
- Acessar versão aberta:
-
ABNT
ROSERO, Luis Alberto Rosero. Leveraging Modular Architectures and End-to-End Learning for Autonomous Driving in Unmapped Environments. 2024. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://teses.usp.br/teses/disponiveis/55/55134/tde-09082024-163642/. Acesso em: 31 mar. 2026. -
APA
Rosero, L. A. R. (2024). Leveraging Modular Architectures and End-to-End Learning for Autonomous Driving in Unmapped Environments (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://teses.usp.br/teses/disponiveis/55/55134/tde-09082024-163642/ -
NLM
Rosero LAR. Leveraging Modular Architectures and End-to-End Learning for Autonomous Driving in Unmapped Environments [Internet]. 2024 ;[citado 2026 mar. 31 ] Available from: https://teses.usp.br/teses/disponiveis/55/55134/tde-09082024-163642/ -
Vancouver
Rosero LAR. Leveraging Modular Architectures and End-to-End Learning for Autonomous Driving in Unmapped Environments [Internet]. 2024 ;[citado 2026 mar. 31 ] Available from: https://teses.usp.br/teses/disponiveis/55/55134/tde-09082024-163642/ - Detecção de obstáculos usando fusão de dados de percepção 3D e radar em veículos automotivos
- Autonomous driving of trucks in off-road environment
- CNN-Planner: a neural path planner based on sensor fusion in the bird's eye view representation space for mapless autonomous driving
- A review on multi-scenario decision-making for urban autonomous driving
- A comparative analysis of class imbalance-aware loss functions for semantic segmentation of off-road scenarios for autonomous vehicles
- Comparative analysis of transformer-based segmentation networks for off-road scenes
- EPiCS: expert-based point cloud segmentation of off-road LiDAR point clouds using graph neural networks
- Integrating modular pipelines with end-to-end learning: a hybrid approach for robust and reliable autonomous driving systems
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
