CW-ERM：利用闭环加权经验风险最小化改进自动驾驶规划
机器学习
2022-10-12 v2 机器人学
摘要
通过行为克隆对自动驾驶车辆策略进行模仿学习通常以开环方式进行，忽略了动作对未来状态的影响。纯粹以经验风险最小化（ERM）训练此类策略可能损害真实世界性能，因为它使策略网络偏向于仅匹配开环行为，在闭环评估中表现不佳。在这项工作中，我们提出了一种高效且易于实现的原则，称为闭环加权经验风险最小化（CW-ERM），其中首先使用闭环评估程序识别对实际驾驶性能重要的训练数据样本，然后我们利用这些样本来帮助去偏策略网络。我们在一个具有挑战性的城市驾驶数据集中评估 CW-ERM，并表明该程序显著减少了碰撞以及其他不可微的闭环指标。
引用
@article{arxiv.2210.02174,
title = {CW-ERM: Improving Autonomous Driving Planning with Closed-loop Weighted Empirical Risk Minimization},
author = {Eesha Kumar and Yiming Zhang and Stefano Pini and Simon Stent and Ana Ferreira and Sergey Zagoruyko and Christian S. Perone},
journal= {arXiv preprint arXiv:2210.02174},
year = {2022}
}
备注
v2: minor update in dataset and results (no changes in improvements or conclusions)