使用引导式辅助监督学习端到端自动驾驶
机器学习
2018-08-31 v1 人工智能
计算机视觉与模式识别
机器人学
机器学习
摘要
在高度随机的城市环境中忠实驾驶仍是一个开放问题。为此,我们提出了一种从演示中学习的多任务学习(MT-LfD)框架,该框架利用受监督的辅助任务预测来引导预测驾驶指令这一主任务。我们的框架涉及一个端到端可训练网络,用于模仿专家演示者的驾驶指令。该网络通过直接监督中间预测视觉可供性(affordances)与动作基元,从而提供上述受监督的辅助引导。我们证明,这种联合学习与监督引导促进了分层任务分解,帮助智能体学习更快、取得更好的驾驶性能,并提升了原本黑盒的端到端网络的透明性。我们在开源城市驾驶模拟器 CARLA 中运行实验以验证 MT-LfD 框架。我们在 CARLA 中引入多个非玩家智能体,并对其施加时间噪声以实现真实的随机性。
引用
@article{arxiv.1808.10393,
title = {Learning End-to-end Autonomous Driving using Guided Auxiliary Supervision},
author = {Ashish Mehta and Adithya Subramanian and Anbumani Subramanian},
journal= {arXiv preprint arXiv:1808.10393},
year = {2018}
}
备注
12 pages, 5 figures, 1 table