EasyChauffeur：一种基于Waymax提升简单性与效率的基准模型
机器人学
2024-08-30 v1
摘要
近期基于深度学习的驾驶规划器进展主要聚焦于复杂的网络工程，所获提升有限。本文不同于常规方法，探讨了三个尚未充分考察的基本方面：训练策略、数据效率和评估鲁棒性。我们引入EasyChauffeur，一个在Waymax(基于GPU加速的仿真器)上进行模仿学习(IL)和强化学习(RL)的可复现且有效的规划器。值得注意的是，我们发现采用基于策略的强化学习显著提升性能和数据效率。为进一步提升效率，我们提出SNE-Sampling方法，从编码器潜在空间中选择性采样数据，显著提高EasyChauffeur在RL任务中的性能。此外，我们发现当前评估方法因ego车初始状态轻微变化即导致显著性能下降，无法准确评估不同规划器的鲁棒性。为此，我们提出Ego-Shifting，用于评估规划器鲁棒性的新型评估设定。我们的发现主张从网络结构为主的关注转向涵盖训练策略、数据效率和鲁棒评估方法的整体方法。
引用
@article{arxiv.2408.16375,
title = {EasyChauffeur: A Baseline Advancing Simplicity and Efficiency on Waymax},
author = {Lingyu Xiao and Jiang-Jiang Liu and Xiaoqing Ye and Wankou Yang and Jingdong Wang},
journal= {arXiv preprint arXiv:2408.16375},
year = {2024}
}