面向通用城市场景且安全性增强的自动驾驶深度模仿学习

城市环境中自动驾驶的决策与规划系统难以设计。当前大多数方法手动设计驾驶策略，这在大规模开发与维护上代价高昂。相反，利用模仿学习，我们只需收集数据，计算机便会自动学习并改进驾驶策略。然而，现有的自动驾驶模仿学习方法在复杂城市场景中表现欠佳。此外，当我们使用深度神经网络策略时，安全性无法保证。本文中，我们提出一个框架，在给定离线联网驾驶数据的情况下高效学习城市场景中的驾驶策略，并引入安全控制器以在测试时保证安全性。实验表明，我们的方法在城市场景驾驶的真实仿真中可达到高性能。