自动驾驶车辆能否识别、恢复并适应分布偏移？
机器学习
2020-09-03 v2 机器人学
机器学习
摘要
训练分布外(OOD)场景是部署中学习智能体的常见挑战，通常导致任意推断与欠妥决策。原则上，对 OOD 场景的检测与适应可缓解其不利影响。本文中，我们指出当前方法在面对新颖驾驶场景时的局限，并提出一种认知不确定性感知的规划方法，称为\emph{鲁棒模仿规划}(RIP)。我们的方法可检测并从部分分布偏移中恢复，减少 OOD 场景中的过度自信与灾难性外推。若模型的不确定性过大而无法给出安全行动建议，模型可转而向专家驾驶员查询反馈，实现样本高效的在线适应，我们将此方法变体称为\emph{自适应鲁棒模仿规划}(AdaRIP)。我们的方法在 nuScenes \emph{预测}挑战中优于当前最先进方法，但由于目前尚无评估 OOD 检测与适应的\emph{控制}基准，我们引入了自动驾驶新颖场景基准 \texttt{CARNOVEL}，以评估驾驶智能体在一系列具分布偏移任务中的鲁棒性。
引用
@article{arxiv.2006.14911,
title = {Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts?},
author = {Angelos Filos and Panagiotis Tigas and Rowan McAllister and Nicholas Rhinehart and Sergey Levine and Yarin Gal},
journal= {arXiv preprint arXiv:2006.14911},
year = {2020}
}
备注
The first two authors contributed equally. Accepted at ICML 2020. Supplementary videos and code available at: https://sites.google.com/view/av-detect-recover-adapt