面向自动驾驶的深度占据预测表征
机器学习
2023-03-09 v1 机器人学
摘要
手动指定捕捉交通环境多样性的特征是不切实际的。因此，基于学习的智能体无法作为自动驾驶车辆神经运动规划器发挥其全部潜力。相反，本工作提出学习哪些特征与任务相关。鉴于其对运动规划的即时相关性，我们提出的架构将概率占据图编码为获取预训练状态表征的代理。通过利用环境的地图感知图表示，我们以智能体为中心的编码器可泛化至任意道路网络与交通情形。我们展示了我们的方法显著提升了在城市场景交通环境中运行的强化学习智能体的下游性能。
引用
@article{arxiv.2303.04218,
title = {Deep Occupancy-Predictive Representations for Autonomous Driving},
author = {Eivind Meyer and Lars Frederik Peiss and Matthias Althoff},
journal= {arXiv preprint arXiv:2303.04218},
year = {2023}
}
备注
Accepted at ICRA 2023