基于条件模仿共学习的自动驾驶端到端转向控制
人工智能
2024-11-26 v1 机器人学
摘要
自动驾驶涉及数据融合、目标和车道检测、行为预测和路径规划等复杂任务。与针对每个任务分别构建子系统的模块化方法不同，端到端方法将问题视为使用深度神经网络的单一可学习任务，减少了系统复杂性，最小化了对启发式方法的依赖。条件模仿学习(CIL)训练端到端模型以模仿人类专家，考虑到引导车辆到达目的地的导航命令，CIL采用专用网络分支针对每个导航命令学习驾驶任务。然而，CIL模型在部署到未见环境时缺乏泛化能力。本文提出条件模仿共学习(CIC)方法以解决此问题，通过启用模型学习CIL专用分支之间的关系，利用由门控双曲正切单元(GTUs)生成的共学习矩阵。此外，我们提出将转向回归问题作为分类问题处理，使用分类-回归混合损失弥合回归与分类之间的差距，还提出使用共存概率来考虑转向类别之间的空间倾向。我们的方法在未见环境中实现了平均62%的提升。
引用
@article{arxiv.2411.16131,
title = {End-to-End Steering for Autonomous Vehicles via Conditional Imitation Co-Learning},
author = {Mahmoud M. Kishky and Hesham M. Eraqi and Khaled F. Elsayed},
journal= {arXiv preprint arXiv:2411.16131},
year = {2024}
}
备注
NCTA 2024 Best Paper Honorable Mention