利用环境损失增强自动驾驶车辆的行为克隆
机器人学
2022-02-21 v1 人工智能
摘要
学习型路径规划器因其能够建模人类驾驶行为和快速推理而引起了研究兴趣。最近关于行为克隆的工作表明，仅对专家观测进行简单模仿不足以处理复杂的驾驶场景。此外，落在可驾驶区域之外的预测可能导致潜在的危险情况。本文提出了一组损失函数，即Social loss和Road loss，用于解释路径规划中风险社会交互的建模。这些损失充当围绕不可驾驶区域的排斥标量场。落在这些区域附近的预测会产生较高的训练成本，并通过反向传播将其最小化。该方法为传统的监督学习设置提供了额外的环境反馈。我们在大规模城市驾驶数据集上验证了该方法。结果表明，该智能体学会了模仿人类驾驶，同时表现出更好的安全指标。此外，所提出的方法对推理有积极影响，而无需人为生成不安全的驾驶示例。可解释性研究表明，与经典的行为克隆相比，所获得的益处与不可驾驶区域在智能体决策中具有更高相关性有关。
引用
@article{arxiv.2202.09271,
title = {Enhanced Behavioral Cloning with Environmental Losses for Self-Driving Vehicles},
author = {Nelson Fernandez Pinto and Thomas Gilles},
journal= {arXiv preprint arXiv:2202.09271},
year = {2022}
}