基于条件归一化流的模仿式规划
机器人学
2022-10-14 v3 人工智能
机器学习
摘要
在动态城市场景中为自动驾驶车辆规划轨迹的一种流行方法是依赖显式指定和手工设计的代价函数，并结合在轨迹空间中的随机采样来寻找最小代价轨迹。此类方法需要大量样本才能找到低代价轨迹，并且在给定规划时间预算下可能得到高度次优的轨迹。我们探索了归一化流在提升自动驾驶车辆（AVs）轨迹规划性能方面的应用。我们的核心见解是在类专家轨迹的低维潜空间中学习采样策略，从中选出最佳样本执行。通过将轨迹规划器的代价流形建模为能量函数，我们学习了从先验到 AV 控制空间上 Boltzmann 分布的场景条件映射。最后，我们在真实世界数据集上证明了我们的方法相对于 IL 和手工构建的轨迹采样技术的有效性。
引用
@article{arxiv.2007.16162,
title = {Imitative Planning using Conditional Normalizing Flow},
author = {Shubhankar Agarwal and Harshit Sikchi and Cole Gulino and Eric Wilkinson and Shivam Gautam},
journal= {arXiv preprint arXiv:2007.16162},
year = {2022}
}