学习准确、舒适且类人的驾驶
计算机视觉与模式识别
2019-03-27 v1
摘要
如果自动驾驶车辆能准确、舒适地驾驶，并且类似于人类驾驶员的方式，则更可能被接受。当自动驾驶与人类驾驶车辆需共享同一道路时尤其如此。然而，迄今的主要研究焦点仍仅在于提高驾驶准确性。本文形式化了准确、舒适与类人驾驶这三个关注点。本文做出了三点贡献。首先，采用HERE Technologies的数值地图数据以实现更准确驾驶；设计了被认为与驾驶相关的一组地图特征以更好地导航。其次，将学习过程从逐点预测改进为基于序列的预测，并将乘客舒适度度量嵌入学习算法中。最后，我们利用对抗学习的进展来学习类人驾驶；具体而言，标准L1或L2损失通过基于判别器的对抗损失增强，该判别器被训练以区分人类驾驶与机器驾驶。我们的模型在Drive360数据集上训练和评估，该数据集包含60小时和3000公里的真实世界驾驶数据。大量实验表明，与先前方法相比，我们的驾驶模型更准确、更舒适且行为更像人类驾驶员。本工作的资源将在项目页面发布。
引用
@article{arxiv.1903.10995,
title = {Learning Accurate, Comfortable and Human-like Driving},
author = {Simon Hecker and Dengxin Dai and Luc Van Gool},
journal= {arXiv preprint arXiv:1903.10995},
year = {2019}
}
备注
submitted to a conference, 10 pages, 3 figures