基于深度学习方法训练端到端自动驾驶车辆控制器的特征分析与选择
计算机视觉与模式识别
2017-03-30 v1 系统与控制
摘要
基于深度学习的方法由于其强大的非线性函数或策略逼近能力，已被广泛用于训练自动驾驶车辆控制器。然而，训练过程通常需要大量带标签的数据集且耗时很长。在本文中，我们分析了特征对使用卷积神经网络训练的控制器性能的影响，为降低计算成本提供了特征选择的指导原则。我们使用 The Open Racing Car Simulator (TORCS) 收集了大量数据，并将图像特征分为三类（天空相关特征、路边相关特征和道路相关特征）。然后，我们设计了两种实验框架来研究每个单一特征对训练 CNN 控制器的重要性。第一种框架使用包含所有三种特征的训练数据来训练控制器，然后使用移除某一特征的数据进行测试，以评估该特征的影响。第二种框架使用排除了某一特征的数据进行训练，而测试数据中包含所有三种特征。我们选择不同的驾驶场景，使用这两种实验框架对训练好的控制器进行测试和分析。实验结果表明：(1) 道路相关特征对于训练控制器是不可或缺的；(2) 路边相关特征有助于提高控制器对具有复杂路边信息场景的泛化能力；(3) 天空相关特征对训练端到端自动驾驶车辆控制器的贡献有限。
引用
@article{arxiv.1703.09744,
title = {Feature Analysis and Selection for Training an End-to-End Autonomous Vehicle Controller Using the Deep Learning Approach},
author = {Shun Yang and Wenshuo Wang and Chang Liu and Kevin Deng and J. Karl Hedrick},
journal= {arXiv preprint arXiv:1703.09744},
year = {2017}
}
备注
6 pages, 11 figures, 3 tables, accepted by 2017 IEEE Intelligent Vehicles Symposium