基于分层模仿学习的城市驾驶可解释运动规划器
机器人学
2023-08-01 v2 人工智能
摘要
基于学习的方法在自动驾驶领域取得了卓越的性能。利用神经网络的强大能力和大量人类驾驶数据，驾驶行为的复杂模式和规则可以被编码为模型以惠及自动驾驶系统。此外，越来越多的数据驱动工作被研究于决策与运动规划模块。然而，神经网络的可靠性和稳定性仍充满不确定性。在本文中，我们引入一种分层规划架构，包括高层基于网格的行为规划器和高层轨迹规划器，其具有高度可解释性和可控性。由于高层规划器负责寻找一致路径，低层规划器生成可行轨迹。我们在闭环仿真和真实世界驾驶中评估了我们的方法，并证明该神经网络规划器在复杂城市自动驾驶场景中具有出色性能。
引用
@article{arxiv.2303.13986,
title = {Interpretable Motion Planner for Urban Driving via Hierarchical Imitation Learning},
author = {Bikun Wang and Zhipeng Wang and Chenhao Zhu and Zhiqiang Zhang and Zhichen Wang and Penghong Lin and Jingchu Liu and Qian Zhang},
journal= {arXiv preprint arXiv:2303.13986},
year = {2023}
}
备注
6 pages, 8 figures, accepted by IROS2023