DiGNet：利用图神经网络学习面向通用交通场景的可扩展自动驾驶策略
机器人学
2021-08-02 v3 人工智能
机器学习
系统与控制
系统与控制
摘要
传统的自动驾驶车辆（SDVs）决策与规划框架在新场景中扩展性差，因此需要繁琐地手工调整规则与参数，以在所有可预见情况下维持可接受性能。近来，基于深度学习的自动驾驶方法展现出更有前景的泛化能力且更少手工工程投入。然而，多数既往基于学习的方法仅在零散任务（如车道保持、自主制动与条件驾驶）的有限驾驶场景中训练与评估。本文中，我们提出一种基于图的深度网络以实现可处理大量交通场景的可扩展自动驾驶。具体而言，在高保真驾驶模拟器中进行了超过 7,000 km 的评估，其中我们的方法可遵守交通规则并在包括无保护左转、窄路、环岛与行人密集交叉口等多种城市、乡村与高速环境中安全导航车辆。演示视频见 https://caipeide.github.io/dignet/。
引用
@article{arxiv.2011.06775,
title = {DiGNet: Learning Scalable Self-Driving Policies for Generic Traffic Scenarios with Graph Neural Networks},
author = {Peide Cai and Hengli Wang and Yuxiang Sun and Ming Liu},
journal= {arXiv preprint arXiv:2011.06775},
year = {2021}
}
备注
IROS 2021, 6 pages