基于模仿学习的自动驾驶：来自真实世界测试的见解
机器人学
2025-04-29 v1 人工智能
摘要
本工作旨在设计基于深度学习的自动驾驶系统，并在真实世界的 MIT Racecar 上进行部署和测试，以评估其在驾驶场景中的效果。深度神经网络（DNN）将原始图像输入转换为以端到端学习方式的实时转向命令。关键设计挑战在于确保 DNN 预测准确且足够快速，以高采样频率运行，并在不同运行条件下实现平稳的车辆操作。本研究设计并比较了 various DNNs，以识别实现实时自动驾驶的最有效方法。在设计 DNN 时，我们采用增量式设计方法，通过提升模型容量和数据集来应对真实驾驶场景的挑战。我们设计了 PD 系统、CNN、CNN-LSTM 和 CNN-NODE，并在真实的 MIT Racecar 上对其性能进行评估。虽然 PD 系统能够处理基本的车道跟随，但在锐转和光照变化方面表现不足。CNN 改进了转向控制，但缺乏时序感知，CNN-LSTM 通过实现平稳的驾驶表现来解决了这一问题。CNN-NODE 在处理驾驶动力学方面与 CNN-LSTM 类似，但略有优势。本研究的发现突显了在开发面向自动驾驶应用的鲁健 DNN 时，迭代式设计过程的重要性。实验视频可在 https://www.youtube.com/watch?v=FNNYgU--iaY 查看。
引用
@article{arxiv.2504.18847,
title = {Imitation Learning for Autonomous Driving: Insights from Real-World Testing},
author = {Hidayet Ersin Dursun and Yusuf Güven and Tufan Kumbasar},
journal= {arXiv preprint arXiv:2504.18847},
year = {2025}
}
备注
In International Congress on Human-Computer Interaction, Optimization and Robotic Applications, 2025