面向自动驾驶的动态条件模仿学习
机器人学
2022-11-22 v1 人工智能
摘要
条件模仿学习(CIL)以端到端方式训练深度神经网络来模仿人类驾驶。该方法在沿道路行驶、避开障碍物或在交叉口进行特定转弯以到达目的地时表现出合适的车辆控制能力。遗憾的是,当部署到未见过的环境时,性能急剧下降,并且在不同的天气条件下表现不一致。最重要的是,当前的CIL无法避开静态道路阻塞。在这项工作中,我们针对这些缺陷提出了一种解决方案。首先,我们在特征层面将激光扫描仪与常规摄像头流融合,以克服泛化与一致性挑战。其次,我们引入了一种新的高效占据栅格地图(OGM)方法,以及用于道路阻塞规避和全局路径规划的新算法。因此,我们提出的方法动态检测部分与完全道路阻塞,并引导受控车辆改道以到达目的地。遵循原始CIL工作,我们在CARLA仿真器城市驾驶基准上证明了我们方案的有效性。我们的实验表明,我们的模型将针对天气条件的一致性提高了四倍,自动驾驶成功率泛化提高了52%。此外,我们的全局路径规划器将驾驶成功率提高了37%。我们提出的道路阻塞规避算法将驾驶成功率提高了27%。最后,与静态物体发生碰撞前的平均行驶里程增加了1.5倍。主要源代码可在 https://heshameraqi.github.io/dynamic_cil_autonomous_driving 获取。
引用
@article{arxiv.2211.11579,
title = {Dynamic Conditional Imitation Learning for Autonomous Driving},
author = {Hesham M. Eraqi and Mohamed N. Moustafa and Jens Honer},
journal= {arXiv preprint arXiv:2211.11579},
year = {2022}
}
备注
14 pages, 11 figures, 7 tables