超越单一模型通用：面向自动驾驶的集成深度学习
机器人学
2023-12-12 v1 计算机视觉与模式识别
机器学习
摘要
深度学习通过使车辆能够以非凡的准确性感知和解释其周围环境，彻底改变了自动驾驶。这一进展归功于各种深度学习模型，包括中介感知、行为反射和直接感知，每种模型在增强自动驾驶能力方面都具有独特的优势和挑战。然而，在整合这些方法并理解它们在不同驾驶场景中的相关性方面，研究仍存在空白。本研究引入了三个分别对应中介感知、行为反射和直接感知方法的独特神经网络模型。我们探讨了它们在不同驾驶条件下的重要性，阐明了每种方法的优势和局限性。我们的架构融合了来自基础网络、未来潜在向量预测网络和辅助任务网络的信息，使用全局路由命令来选择合适的动作子网络。我们旨在通过进行实验和评估，为在自动驾驶中有效利用多样化建模策略提供见解。结果表明，集成模型的表现优于单一方法，表明每种模态对整体模型的性能都有独特的贡献。此外，通过探索每种模态的重要性，本研究为自动驾驶的未来研究提供了路线图，强调了利用多个模型来实现稳健性能的重要性。
引用
@article{arxiv.2312.05759,
title = {Beyond One Model Fits All: Ensemble Deep Learning for Autonomous Vehicles},
author = {Hemanth Manjunatha and Panagiotis Tsiotras},
journal= {arXiv preprint arXiv:2312.05759},
year = {2023}
}