自动驾驶汽车的端到端学习
计算机视觉与模式识别
2016-04-26 v1 机器学习
神经与进化计算
摘要
我们训练了一个卷积神经网络（CNN），将单个前置摄像头的原始像素直接映射到转向指令。这种端到端方法被证明出奇地强大。利用最少的人类训练数据，该系统学会了在带有或不带有车道线的地方道路以及高速公路上行驶。它也能在视觉引导不清晰的区域（如停车场和未铺装道路）运行。该系统仅以人类转向角度作为训练信号，自动学习必要处理步骤的内部表示，例如检测有用的道路特征。我们从未显式地训练它去检测例如道路轮廓。与将问题显式分解（如车道线检测、路径规划与控制）相比，我们的端到端系统同时优化所有处理步骤。我们认为这最终将带来更好的性能和更小的系统。更好的性能源于内部组件自我优化以最大化整体系统性能，而非优化人类选择的中间标准（例如车道检测）。这些标准自然是为便于人类理解而选的，并不能自动保证最大系统性能。更小的网络是可能的，因为系统学会了用最少的处理步骤解决问题。我们使用 NVIDIA DevBox 和 Torch 7 进行训练，并使用同样运行 Torch 7 的 NVIDIA DRIVE(TM) PX 自动驾驶车载计算机来决定行驶方向。该系统以 30 帧每秒（FPS）的速度运行。
引用
@article{arxiv.1604.07316,
title = {End to End Learning for Self-Driving Cars},
author = {Mariusz Bojarski and Davide Del Testa and Daniel Dworakowski and Bernhard Firner and Beat Flepp and Prasoon Goyal and Lawrence D. Jackel and Mathew Monfort and Urs Muller and Jiakai Zhang and Xin Zhang and Jake Zhao and Karol Zieba},
journal= {arXiv preprint arXiv:1604.07316},
year = {2016}
}