Carl-Lead：基于激光雷达的端到端自动驾驶与对比深度强化学习
机器人学
2021-09-20 v1 人工智能
系统与控制
系统与控制
摘要
在城市拥挤人群及无管制交叉口中的自动驾驶具有挑战性，需谨慎考虑其他车辆的动态遮挡与不确定行为。传统方法基于启发式及手工设计的规则与参数，但在新情境中泛化能力差，且需高昂人力成本来设计并维护所有可预见场景的规则。近年来，深度强化学习（DRL）在城市驾驶场景中展现出 promising 的结果。然而，DRL 以样本效率低著称，且多数先前工作假设完美观测（如车辆真实位置与运动），未考虑噪声与遮挡，这对策略部署而言可能是过强假设。本工作中，我们利用 DRL 训练基于激光雷达的端到端驾驶策略，自然地处理不完美的部分观测。我们进一步使用无监督对比表示学习作为辅助任务以提升样本效率。对比评估结果表明，我们的方法比最先进（SOTA）的基于激光雷达的端到端驾驶网络取得更高成功率，比精心调优的基于规则的方法更好地权衡安全性与效率，且比基线更好地泛化至新场景。演示视频见 https://caipeide.github.io/carl-lead/。
引用
@article{arxiv.2109.08473,
title = {Carl-Lead: Lidar-based End-to-End Autonomous Driving with Contrastive Deep Reinforcement Learning},
author = {Peide Cai and Sukai Wang and Hengli Wang and Ming Liu},
journal= {arXiv preprint arXiv:2109.08473},
year = {2021}
}
备注
8 pages, 6 figures, submitted to RA-L with ICRA presentation option