针对环境遮挡与交通参与者行为随机导致的驾驶风险,提出一种面向无信号灯十字路口场景的安全决策方法。首先,建立一种基于值分布式强化学习-全参数化分位数网络(Fully parameterized quantile network,FPQN)的基础决策策略。其次,融合F...针对环境遮挡与交通参与者行为随机导致的驾驶风险,提出一种面向无信号灯十字路口场景的安全决策方法。首先,建立一种基于值分布式强化学习-全参数化分位数网络(Fully parameterized quantile network,FPQN)的基础决策策略。其次,融合FPQN建模的累积回报分布与条件风险价值函数(Conditional value at risk,CVaR),进而构建具有驾驶风险意识的安全决策策略。再次,引入集成学习理论(Ensemble),建立基于集成FPQN的决策不确定性估计框架EFPQN,能够实时量化决策风险。同时,为应对决策不确定性较高带来的驾驶风险,设计基于模型预测控制的备选策略以提升安全性。最后,采用SUMO仿真平台搭建无信号灯十字路口场景,对提出的安全决策方法进行验证。试验结果表明,与基准方法相比,所提出的方法能够有效降低遮挡与交通参与者行为随机导致的驾驶风险。展开更多
针对原有屏幕空间环境遮挡算法存在的自遮挡距离误差问题,提出了一种基于深度剥离的屏幕空间环境遮挡算法(Depth-Peeling based Ambient Occlusion,DPAO).该算法通过深度剥离过程萃取了多深度层次的Z-Buffer,为遮挡计算提供了更精确的...针对原有屏幕空间环境遮挡算法存在的自遮挡距离误差问题,提出了一种基于深度剥离的屏幕空间环境遮挡算法(Depth-Peeling based Ambient Occlusion,DPAO).该算法通过深度剥离过程萃取了多深度层次的Z-Buffer,为遮挡计算提供了更精确的遮挡采样片段,同时利用深度剥离技术进行了修正,从而得到了更具有物理真实性地渲染结果.整个流程充分利用了现有GPU的SIMD特性并行实现.实验结果表明,该算法能够在高帧速率情况下为具有丰富高频细节的几何场景产生真实感强的柔和阴影,适用于视频游戏、科学仿真等对实时性要求较高的应用领域.展开更多
文摘针对环境遮挡与交通参与者行为随机导致的驾驶风险,提出一种面向无信号灯十字路口场景的安全决策方法。首先,建立一种基于值分布式强化学习-全参数化分位数网络(Fully parameterized quantile network,FPQN)的基础决策策略。其次,融合FPQN建模的累积回报分布与条件风险价值函数(Conditional value at risk,CVaR),进而构建具有驾驶风险意识的安全决策策略。再次,引入集成学习理论(Ensemble),建立基于集成FPQN的决策不确定性估计框架EFPQN,能够实时量化决策风险。同时,为应对决策不确定性较高带来的驾驶风险,设计基于模型预测控制的备选策略以提升安全性。最后,采用SUMO仿真平台搭建无信号灯十字路口场景,对提出的安全决策方法进行验证。试验结果表明,与基准方法相比,所提出的方法能够有效降低遮挡与交通参与者行为随机导致的驾驶风险。
文摘针对原有屏幕空间环境遮挡算法存在的自遮挡距离误差问题,提出了一种基于深度剥离的屏幕空间环境遮挡算法(Depth-Peeling based Ambient Occlusion,DPAO).该算法通过深度剥离过程萃取了多深度层次的Z-Buffer,为遮挡计算提供了更精确的遮挡采样片段,同时利用深度剥离技术进行了修正,从而得到了更具有物理真实性地渲染结果.整个流程充分利用了现有GPU的SIMD特性并行实现.实验结果表明,该算法能够在高帧速率情况下为具有丰富高频细节的几何场景产生真实感强的柔和阴影,适用于视频游戏、科学仿真等对实时性要求较高的应用领域.
