通过可微最优控制从视觉进行驾驶
机器人学
2024-09-04 v3
摘要
本文提出 DriViDOC：一个通过可微最优控制从视觉进行驾驶的框架，及其在从人类演示中学习自动驾驶控制器方面的应用。DriViDOC 将相机帧中相关特征的自动推断与非线性模型预测控制（NMPC）的特性（如约束满足）相结合。我们的方法利用参数化 NMPC 的可微性，允许从图像到控制的驾驶模型进行端到端学习。该模型在一个离线数据集上进行训练，该数据集包含在基于运动平台的驾驶模拟器上收集的各种人类演示。在在线测试期间，该模型展示了对不同驾驶风格的成功模仿，并且解释后的 NMPC 参数为特定驾驶行为的实现提供了见解。我们的实验结果表明，DriViDOC 优于其他涉及 NMPC 和神经网络的方法，在模仿得分上平均提高了 20%。
引用
@article{arxiv.2403.15102,
title = {Driving from Vision through Differentiable Optimal Control},
author = {Flavia Sofia Acerbo and Jan Swevers and Tinne Tuytelaars and Tong Duy Son},
journal= {arXiv preprint arXiv:2403.15102},
year = {2024}
}
备注
This work has been accepted for publication in the Proceedings of the 2024 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2024). Accompanying video available at: https://youtu.be/ENHhphpbPLs