面向自动驾驶车辆的可解释且灵活的目标条件神经规划器
机器人学
2023-09-26 v1 机器学习
摘要
基于学习的自动驾驶车辆规划器方法有望通过利用大量驾驶员演示数据来扩展到许多复杂的真实世界驾驶场景。然而，先前工作仅学习估计单一规划轨迹，而在真实世界场景中可能存在多个可接受的方案。为解决该问题，我们提出一种可解释的神经规划器来回归热力图，该热力图有效表示了自动驾驶车辆鸟瞰视角下的多个潜在目标。该规划器采用自适应高斯核与松弛沙漏损失，以更好地捕捉规划问题的不确定性。我们还使用负高斯核为热力图回归添加监督，使模型能够有效学习避障。我们在 Lyft Open Dataset 上针对多种真实世界驾驶场景进行的系统评估表明，我们的模型相比先前工作实现了更安全且更灵活的驾驶性能。
引用
@article{arxiv.2309.13485,
title = {Interpretable and Flexible Target-Conditioned Neural Planners For Autonomous Vehicles},
author = {Haolan Liu and Jishen Zhao and Liangjun Zhang},
journal= {arXiv preprint arXiv:2309.13485},
year = {2023}
}