面向可泛化自动驾驶策略的模仿学习及其仿真到实域迁移
机器学习
2022-06-23 v1 计算机视觉与模式识别
机器人学
摘要
模仿学习利用专家示范来揭示最优策略，同样适用于真实世界的机器人任务。然而，出于安全、经济与时间限制，智能体在仿真环境中进行训练，随后通过仿真到实域（sim-to-real）方法应用于真实场景。本文应用模仿学习方法在仿真环境中解决机器人任务，并利用迁移学习将这些解决方案应用于真实世界环境。我们的任务设定在 Duckietown 环境中，机器人智能体需基于单目前向摄像头的输入图像沿右侧车道行驶。我们提出了三种模仿学习与两种 sim-to-real 方法以完成该任务，并对这些技术的优缺点进行了详细对比。
引用
@article{arxiv.2206.10797,
title = {Imitation Learning for Generalizable Self-driving Policy with Sim-to-real Transfer},
author = {Zoltán Lőrincz and Márton Szemenyei and Róbert Moni},
journal= {arXiv preprint arXiv:2206.10797},
year = {2022}
}
备注
Accepted by ICLR 2022 Workshop on Generalizable Policy Learning in Physical World. Source code is available at: https://github.com/lzoltan35/duckietown_imitation_learning