自动驾驶汽车中深度学习架构的系统比较

自动驾驶技术正在迅速发展——尽管面临重大挑战和局限性。这一进展很大程度上归功于深度学习算法的最新发展。然而，迄今为止，尚无研究系统地比较不同深度学习架构在此类任务中的表现，也没有尝试确定分类性能与实际车辆性能之间的相关性，而这是开发自动驾驶系统的一个潜在关键因素。在此，我们首次在端到端自动驾驶任务中，对多种深度学习架构在多种测试条件下进行了受控比较。我们在相同的驾驶条件下比较了七种架构的性能，包括全连接网络、简单的 2 层 CNN、AlexNet、VGG-16、Inception-V3、ResNet 和 LSTM，评估方式是计算每个模型在室内赛道上行驶时能够无碰撞成功完成的圈数。我们比较了各模型在条件与训练中完全一致时的性能，以及在局部环境和赛道配置不同且训练数据集中未包含的物体被放置在赛道不同位置时的性能。此外，我们还考虑了使用几种不同数据类型进行训练和测试的性能，包括单张灰度图和彩色图，以及按顺序堆叠在一起的多张灰度图。除全连接网络外，所有模型均表现良好（约或高于 80%），且大多数模型在至少一种输入类型上表现极佳（~95%），但在不同模型和输入之间存在显著差异。总体而言，以单张彩色图作为输入的 AlexNet 达到了最佳性能水平（第一阶段成功率 100%，第二阶段 55%），而 VGG-16 在不同图像类型上的表现最为稳定。