DriveCoT：将思维链推理与端到端驾驶相结合
计算机视觉与模式识别
2024-03-26 v1 机器人学
摘要
端到端驾驶近年来取得了显著进展，展现出系统简单性以及在开环和闭环设置下具有竞争力的驾驶性能等优势。然而，其驾驶决策缺乏可解释性和可控性，阻碍了端到端驾驶系统在现实世界中的部署。在本文中，我们利用 CARLA 模拟器收集了一个全面的端到端驾驶数据集，名为 DriveCoT。它包含传感器数据、控制决策和指示推理过程的思维链标签。我们利用来自 CARLA 排行榜 2.0 的具有挑战性的驾驶场景，这些场景涉及高速驾驶和车道变换，并提出了一种基于规则的专家策略来控制车辆，并为其在不同驾驶方面的推理过程和最终决策生成真值标签。该数据集可作为开环端到端驾驶基准，能够评估各种思维链方面和最终决策的准确性。此外，我们提出了一个名为 DriveCoT-Agent 的基线模型，在我们的数据集上进行训练，以生成思维链预测和最终决策。训练后的模型在开环和闭环评估中均表现出强大的性能，证明了我们提出的数据集的有效性。
引用
@article{arxiv.2403.16996,
title = {DriveCoT: Integrating Chain-of-Thought Reasoning with End-to-End Driving},
author = {Tianqi Wang and Enze Xie and Ruihang Chu and Zhenguo Li and Ping Luo},
journal= {arXiv preprint arXiv:2403.16996},
year = {2024}
}