考虑时间依赖性的自动驾驶车辆转向端到端深度学习
机器学习
2017-11-23 v3
摘要
在交通中驾驶汽车是一项复杂的任务，难以转化为算法。因此，研究人员转向利用前视摄像头数据流及相关的转向角来训练人工神经网络。然而，大多数现有解决方案仅将视觉摄像头帧作为输入，从而忽略了帧之间的时间关系。在本研究中，我们提出了一种可端到端训练的卷积长短期记忆循环神经网络（C-LSTM），以学习驾驶的视觉和动态时间依赖性。此外，我们引入将转向角回归问题转化为分类问题，同时在输出层神经元之间施加空间关系。该方法基于学习一个编码转向角的正弦函数。为了训练和验证我们提出的方法，我们使用了公开的 Comma.ai 数据集。与近期方法相比，我们的解决方案将转向均方根误差降低了 35%，并使转向稳定性提高了 87%。
引用
@article{arxiv.1710.03804,
title = {End-to-End Deep Learning for Steering Autonomous Vehicles Considering Temporal Dependencies},
author = {Hesham M. Eraqi and Mohamed N. Moustafa and Jens Honer},
journal= {arXiv preprint arXiv:1710.03804},
year = {2017}
}
备注
31st Conference on Neural Information Processing Systems (NIPS), Machine Learning for Intelligent Transportation Systems Workshop, Long Beach, CA, USA, 2017