迈向仿真中复杂感知任务的高效评估
机器学习
2021-11-08 v2 人工智能
计算机视觉与模式识别
机器人学
摘要
在将包含深度学习模型的系统部署到任何安全关键场景之前，刻画其错误行为已引起越来越多的关注。然而，刻画此类行为通常需要对模型进行大规模测试，而对于复杂现实世界任务而言，这可能极其耗费计算资源。例如，包含计算密集型目标检测器作为组件的任务。在本文中，我们提出一种方法，使用简化的低保真度仿真器并实现高效的大规模测试，且无需执行昂贵的深度学习模型的计算成本。我们的方法依赖于为待测任务的计算密集型组件设计高效的代理模型。我们通过在 Carla 仿真器中以更低的计算开销评估自动驾驶任务的性能，为 PIXOR 和 CenterPoint LiDAR 检测器训练高效代理模型，同时证明仿真精度得以保持，从而展示了我们方法的有效性。
引用
@article{arxiv.2110.02739,
title = {A Step Towards Efficient Evaluation of Complex Perception Tasks in Simulation},
author = {Jonathan Sadeghi and Blaine Rogers and James Gunn and Thomas Saunders and Sina Samangooei and Puneet Kumar Dokania and John Redford},
journal= {arXiv preprint arXiv:2110.02739},
year = {2021}
}
备注
To appear in NeurIPS 2021 Workshop on Machine Learning for Autonomous Driving (ML4AD)