端到端驾驶模型中隐藏的偏差
计算机视觉与模式识别
2023-08-21 v2 人工智能
机器学习
机器人学
摘要
端到端驾驶系统近来取得快速进展，尤其在 CARLA 上。独立于其主要贡献，它们对次要系统组件做了改动。因此，改进的来源并不清晰。我们识别出在近所有 SOTA 方法中反复出现且对 CARLA 上观测到的进展至关重要的两种偏差：(1) 通过朝向目标点跟随的强归纳偏差实现的横向恢复，以及 (2) 用于减速的多模态航点预测纵向平均。我们研究了这些偏差的缺陷并确定了有原则的替代方案。通过融入我们的见解，我们开发了 TF++，一种简单的端到端方法，在 Longest6 与 LAV 基准上排名第一，在 Longest6 上比最佳先前工作高出 11 个驾驶分数。
引用
@article{arxiv.2306.07957,
title = {Hidden Biases of End-to-End Driving Models},
author = {Bernhard Jaeger and Kashyap Chitta and Andreas Geiger},
journal= {arXiv preprint arXiv:2306.07957},
year = {2023}
}
备注
Accepted at ICCV 2023. Camera ready version