CCIL：面向城市驾驶的环境条件模仿学习
机器人学
2023-05-05 v1
摘要
模仿学习在解决自主城市驾驶的复杂任务方面大有前景，因为经验丰富的人类驾驶员可以轻松应对极具挑战性的场景。行为克隆由于其无需危险的在线交互，是自主驾驶中广泛使用的模仿学习方法，但它存在协变量偏移问题。为克服这一局限，我们提出一种环境条件模仿学习方法，该方法采用策略将环境状态映射为自车未来轨迹，而非依赖传统的由自车与环境状态共同预测自车动作的形式。此外，为减少坐标系中的隐式自车信息，我们设计了一种自车扰动的目标导向坐标系：该坐标系的原点为自车位置加上零均值高斯扰动，其 x 轴方向指向自车目标位置。我们在真实世界大规模 Lyft 和 nuPlan 数据集上的实验表明，我们的方法显著优于当前最先进的方法。
引用
@article{arxiv.2305.02649,
title = {CCIL: Context-conditioned imitation learning for urban driving},
author = {Ke Guo and Wei Jing and Junbo Chen and Jia Pan},
journal= {arXiv preprint arXiv:2305.02649},
year = {2023}
}
备注
Accepted by Robotics: Science and Systems