通过模仿强化学习教练实现端到端城市驾驶
计算机视觉与模式识别
2021-10-06 v3 机器人学
摘要
端到端的自动驾驶方法通常依赖专家示范。尽管人类是好的驾驶者，他们对于需要密集在策略监督的端到端算法而言并非好的教练。相反，利用特权信息的自动化专家可高效生成大规模在策略与离策略示范。然而，现有的城市驾驶自动化专家大量使用手工规则，即便在可获得真实信息的驾驶模拟器中也表现次优。为解决这些问题，我们训练了一个强化学习专家，将鸟瞰图图像映射为连续低层动作。我们的专家在 CARLA 上设立了新的性能上界，同时也是一个更好的教练，为模仿学习智能体提供可从中学习的信息丰富监督信号。在我们的强化学习教练监督下，一个基于单目相机输入的基线端到端智能体达到了专家级性能。我们的端到端智能体在 NoCrash-dense 基准上实现了 78% 成功率，并泛化到新城镇与新天气，在 CARLA LeaderBoard 具有挑战性的公开路线上取得最先进性能。
引用
@article{arxiv.2108.08265,
title = {End-to-End Urban Driving by Imitating a Reinforcement Learning Coach},
author = {Zhejun Zhang and Alexander Liniger and Dengxin Dai and Fisher Yu and Luc Van Gool},
journal= {arXiv preprint arXiv:2108.08265},
year = {2021}
}
备注
Published at ICCV 2021