CARIL：自动驾驶模仿学习中的置信感知回归
机器人学
2025-03-04 v1 计算机视觉与模式识别
机器学习
摘要
基于视觉的端到端模仿学习通过直接从专家示教中学习控制指令，在自动驾驶中已展现出有前景的结果。然而，传统方法要么依赖回归模型（提供精确控制但缺乏置信度估计），要么依赖分类模型（提供置信度分数但因离散化而降低精度）。这一限制使得量化预测动作的可靠性并在必要时进行修正变得困难。在本工作中，我们提出了一种双头神经网络架构，集成回归头和分类头以提升模仿学习中的决策可靠性。回归头预测连续驾驶动作，而分类头估计置信度，从而实现一种修正机制，在低置信度场景下调整动作，增强驾驶稳定性。我们在 CARLA 仿真器中的闭环设置下评估了所提方法，展示了其检测不确定动作、估计置信度并应用实时修正的能力。实验结果表明，我们的方法将车道偏离降低了最多 50%，并将轨迹精度提升了最多 50%，优于传统仅回归模型。这些发现突显了分类引导的置信度估计在增强基于视觉的自动驾驶模仿学习鲁棒性方面的潜力。源代码可在 https://github.com/ElaheDlv/Confidence_Aware_IL 获取。
引用
@article{arxiv.2503.00783,
title = {CARIL: Confidence-Aware Regression in Imitation Learning for Autonomous Driving},
author = {Elahe Delavari and Aws Khalil and Jaerock Kwon},
journal= {arXiv preprint arXiv:2503.00783},
year = {2025}
}