解决状态感知模仿学习在自动驾驶中的局限性
计算机视觉与模式识别
2023-11-01 v1 机器人学
摘要
条件模仿学习是训练自动驾驶智能体的常用且有效的方法。然而，两个问题限制了该方法的全部潜力：（i）惯性问题，即因果混淆的一种特例，智能体错误地将低速与无加速相关联；（ii）由于小误差累积使智能体进入先前未见过状态，导致的离线与时在线性能间低相关性。这两个问题对状态感知模型都至关重要，然而告知驾驶智能体其内部状态及环境状态却极为关键。本文中，我们提出一种基于带状态 token 传播的多阶段视觉 transformer 的多任务学习智能体。我们将车辆状态与环境表征作为 transformer 的特殊 token 一并输入，并在整个网络中传播。这使我们能从不同角度应对上述问题：以习得的停止/行进信息引导驾驶策略、直接在车辆状态上执行数据增强、以及可视化解释模型决策。我们报告了惯性问题的急剧减少以及离线与时在线指标间的高相关性。
引用
@article{arxiv.2310.20650,
title = {Addressing Limitations of State-Aware Imitation Learning for Autonomous Driving},
author = {Luca Cultrera and Federico Becattini and Lorenzo Seidenari and Pietro Pala and Alberto Del Bimbo},
journal= {arXiv preprint arXiv:2310.20650},
year = {2023}
}
备注
Submitted to IEEE Transactions on Intelligent Vehicles