基于相机与激光雷达数据通过自监督模仿学习实现端到端驾驶
机器人学
2025-05-12 v3 人工智能
摘要
在自动驾驶中，直接从传感器数据预测车辆控制信号的端到端（E2E）驾驶方法正迅速受到关注。为学习安全的E2E驾驶系统，需要大量驾驶数据与人介入。车辆控制数据由多小时人类驾驶构建，构建大型车辆控制数据集具有挑战性。公开驾驶数据集通常采集于有限驾驶场景，且车辆控制数据仅能由车辆制造商收集。为应对这些挑战，本文提出首个完全自监督学习框架——基于自监督回归学习（SSRL）框架的自监督模仿学习（SSIL）用于E2E驾驶。所提SSIL框架可学习E2E驾驶网络，而无需使用驾驶指令数据或预训练模型。为构建伪转向角数据，所提SSIL利用激光雷达（LiDAR）传感器估计的车辆当前与前一时刻位姿预测伪目标。此外，我们提出两个依据高层指令预测驾驶指令的E2E驾驶网络。在三个不同基准数据集上的数值实验表明，所提SSIL框架取得了与有监督学习对应方法非常相近的E2E驾驶精度。所提伪标签预测器优于现有使用比例积分微分（PID）控制器的预测器。
引用
@article{arxiv.2308.14329,
title = {End-to-End Driving via Self-Supervised Imitation Learning Using Camera and LiDAR Data},
author = {Jin Bok Park and Jinkyu Lee and Muhyun Back and Hyunmin Han and David T. Ma and Sang Min Won and Sung Soo Hwang and Il Yong Chun},
journal= {arXiv preprint arXiv:2308.14329},
year = {2025}
}
备注
9 pages, 6 figures