面向自动驾驶规划的分层基于模型的模仿学习
机器人学
2022-12-05 v1 人工智能
机器学习
摘要
我们展示了基于模型的生成对抗模仿学习（MGAIL）在密集城市自动驾驶任务上的首个大规模应用。我们利用分层模型增强标准 MGAIL，以实现对任意目标路线的泛化，并使用带有模拟交互智能体的闭环评估框架衡量性能。我们从旧金山真实车辆行驶超过 100,000 英里所采集的专家轨迹中训练策略，并展示了一个可操控的策略，即使在零样本设定下也能稳健导航，泛化到具有真实驾驶中从未出现过的全新目标的合成场景。我们还展示了将闭环 MGAIL 损失与开环行为克隆损失相混合的重要性，并表明我们的最佳策略接近专家的性能。我们在平均及挑战性场景中评估我们的模仿模型，并展示它如何作为规划成功轨迹的有用先验。
引用
@article{arxiv.2210.09539,
title = {Hierarchical Model-Based Imitation Learning for Planning in Autonomous Driving},
author = {Eli Bronstein and Mark Palatucci and Dominik Notz and Brandyn White and Alex Kuefler and Yiren Lu and Supratik Paul and Payam Nikdel and Paul Mougin and Hongge Chen and Justin Fu and Austin Abrams and Punit Shah and Evan Racah and Benjamin Frenkel and Shimon Whiteson and Dragomir Anguelov},
journal= {arXiv preprint arXiv:2210.09539},
year = {2022}
}
备注
IROS 2022