密集交通下自动驾驶行为输入的端到端学习
机器人学
2023-10-24 v1
摘要
在 Frenet（道路对齐）坐标系中的轨迹采样，是自动驾驶车辆运动规划最流行的方法之一。它通过对一组行为输入（如车道偏移和前向速度）进行采样，然后求解以采样输入为条件的轨迹优化问题来运作。该采样基于简单启发式手工设计，不随驾驶场景自适应，且对下游轨迹规划器的能力一无所知。本文中，我们提出从专家演示或以自监督方式端到端学习行为输入分布。我们的核心新颖性在于将自定义可微轨迹优化器嵌入为神经网络中的一层，使我们能通过考虑优化器反馈来更新行为输入。此外，我们的端到端方法还确保所学行为输入有助于优化器的收敛。我们在以下方面改进了当前最优水平：首先，我们表明与手工设计方法相比，所学行为输入在降低碰撞率的同时提高了驾驶效率；其次，我们的方法优于基于采样优化模型预测控制（model predictive control）的方法。
引用
@article{arxiv.2310.14766,
title = {End-to-End Learning of Behavioural Inputs for Autonomous Driving in Dense Traffic},
author = {Jatan Shrestha and Simon Idoko and Basant Sharma and Arun Kumar Singh},
journal= {arXiv preprint arXiv:2310.14766},
year = {2023}
}
备注
Accepted to IROS 2023. arXiv admin note: text overlap with arXiv:2212.02224