Comparison of Different Controller Architectures for Autonomous Driving and Recommendations for Robust and Safe Implementations
Notice bibliographique
Résumé
This comprehensive review examines various controller architectures for autonomous driving systems, from rule‐based approaches to advanced deep learning methods. Research trends reveal a significant shift toward deep learning approaches (65.6%) compared to rule‐based methods (34.4%), reflecting the growing dominance of data‐driven techniques in autonomous vehicle research. Performance analysis of transformer‐based models demonstrates exceptional accuracy, with ViT‐SAC achieving 100% success rate in low‐density traffic scenarios and DRLNDT reaching 99.9% success rate in navigation tasks. Temporal reasoning capabilities assessment shows BEVWorld excelling in context maintenance and historical data integration (both 95/100), while Holistic Transformer demonstrates superior noise robustness (95/100). Computational efficiency varies significantly, with VCNN (38.50 FPS) and DSCNN Transformer (34.07 FPS) exceeding real‐time thresholds, while complex BEV architectures like BEVSegformer (3.97 FPS) require further optimization. Simulation platform comparison identifies CARLA as the most comprehensive environment, supporting five of seven key testing features, though no single platform provides complete coverage of all requirements. Technical challenges assessment quantifies real‐time processing requirements as the most critical challenge (90/100), followed by generalization limitations (85/100). These suggest that while rule‐based approaches offer computational efficiency and interpretability, deep learning methods demonstrate superior perception and decision‐making capabilities. A balanced combination of learning‐based, rule‐based, and simulation‐based validation approaches, with particular emphasis on addressing real‐time performance and generalization capabilities, will likely be necessary to achieve reliable autonomous driving systems capable of navigating complex and dynamic environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».