良好数据是仿真学习所需的关键
计算机视觉与模式识别
2024-09-27 v1 机器学习
摘要
本文针对自动驾驶/自动驾驶系统（ADS）中传统教师-学生模型、仿真学习和行为克隆方法在现实场景覆盖不完整这一局限性进行了探讨。为增强此类模型的鲁棒性，我们提出了将反事实解释（Counterfactual Explanations, CFEs）作为端到端ADS数据增强新方法。通过对决策边界附近的输入进行最小修改生成训练样本，CFEs能够更全面地代表专家司机策略，尤其在安全关键场景下。这一方法能够提升模型处理罕见和挑战性驾驶事件（如预判突然跌出行人）的能力，从而实现更安全更可信的ADS决策。我们的CARLA模拟器实验表明，CF-Driver模型超越当前最先进方法，驾驶得分提升15.02个百分点，具体为84.2分。这些结果凸显了在ADS训练中融入CFEs的有效性。为促进进一步的研究，我们已公开提供CF-Driver代码。
引用
@article{arxiv.2409.17605,
title = {Good Data Is All Imitation Learning Needs},
author = {Amir Samadi and Konstantinos Koufos and Kurt Debattista and Mehrdad Dianati},
journal= {arXiv preprint arXiv:2409.17605},
year = {2024}
}