超越侠盗猎车手 V：用于自动驾驶中深度学习的训练、测试与增强
计算机视觉与模式识别
2017-12-06 v1
摘要
作为初步评估，我们在《侠盗猎车手 V》的虚拟环境中轻易生成了超过 480,000 张标注的常规高速公路驾驶虚拟图像。利用这些图像，训练了一个 CNN 来检测与前车/前方物体的跟车距离、车道标线以及驾驶角度（相对于车道中心线的角朝向）：这些都是基础自动驾驶所需的变量。在来自显著不同的 GTA-V 驾驶环境的超过 50,000 张标注虚拟图像上测试时获得了令人鼓舞的结果。该初步评估开始界定训练所需标注图像的范围与规模，以及用于测试训练网络边界与局限性的标注图像的范围与规模。正是一个“GTA-V”类虚拟环境的效能与灵活性，有望为安全驾驶卷积神经网络的训练与测试提供高效且定义良好的基础。此外，本文描述了用于安全驾驶 AI 训练、测试与增强的普林斯顿虚拟环境（PVE），其正使用游戏引擎 Unity 开发。PVE 旨在重建罕见但关键的边缘案例，可用于重新训练与增强机器学习模型，并理解当前自动驾驶模型的局限性。佛罗里达特斯拉撞车事故正被用作初始参考。
引用
@article{arxiv.1712.01397,
title = {Beyond Grand Theft Auto V for Training, Testing and Enhancing Deep Learning in Self Driving Cars},
author = {Mark Martinez and Chawin Sitawarin and Kevin Finch and Lennart Meincke and Alex Yablonski and Alain Kornhauser},
journal= {arXiv preprint arXiv:1712.01397},
year = {2017}
}
备注
15 pages, 4 figures, under review by TRB 2018 Annual Meeting