CARNet：一种用于自动驾驶任务中潜在动态学习的动态自编码器
机器学习
2022-05-27 v2 机器人学
摘要
自动驾驶已受到汽车行业的广泛关注，并常被视为交通的未来。配备多种传感器（如摄像头、前向雷达、LiDAR和IMU）并能持续感知环境的乘用车正日益普及。这些传感器提供高维、时间相关的数据流，对可靠自动驾驶至关重要。自动驾驶系统应有效利用各传感器收集的信息，以形成对世界的抽象描述并保持态势感知。自编码器等深度学习模型可用于此目的，因其能从连续输入数据中学习紧凑的潜在表示。然而，大多数自编码器模型独立处理数据，不假设任何时间相互依赖。因此，需要在其架构中显式考虑数据时间依赖性的深度学习模型。本文提出CARNet，一种结合自编码器与循环神经网络以学习当前潜在表示并进一步预测自动驾驶背景下未来潜在表示的联合动态自编码器网络（Combined dynAmic autoencodeR NETwork）架构。我们在模仿学习与强化学习设置下使用模拟与真实数据集证明了所提模型的有效性。结果表明，所提模型以显著更少的的可训练参数优于基线SOTA模型。
引用
@article{arxiv.2205.08712,
title = {CARNet: A Dynamic Autoencoder for Learning Latent Dynamics in Autonomous Driving Tasks},
author = {Andrey Pak and Hemanth Manjunatha and Dimitar Filev and Panagiotis Tsiotras},
journal= {arXiv preprint arXiv:2205.08712},
year = {2022}
}
备注
13 pages, 14 figures, 8 tables, removed submission info, bios