基于隐式世界模型的多概率决策学习在自动驾驶中的应用
机器人学
2024-09-25 v1 人工智能
摘要
自回归世界模型在向量化场景理解中表现出鲁棒的泛化能力，但在推导动作时因不足的不确定性建模和自幻问题而面临困难。本文通过构建多个概率假设来解决这些挑战，探索了从自回归世界模型派生决策的可行性。我们提出了 LatentDriver 框架，模型化环境的后续状态和车辆的可能动作作为混合分布，从中派生出确定性控制信号。通过融合混合建模，决策的随机性得以捕获。此外，通过为世界模型提供来自分布的中间动作采样值，缓解了自幻问题。在最近发布的闭环基准 Waymax 上的实验结果表明，LatentDriver 超越了最新的强化学习和模仿学习方法，达到了专家水平的性能。代码和模型将在 https://github.com/Sephirex-X/LatentDriver 上提供。
引用
@article{arxiv.2409.15730,
title = {Learning Multiple Probabilistic Decisions from Latent World Model in Autonomous Driving},
author = {Lingyu Xiao and Jiang-Jiang Liu and Sen Yang and Xiaofan Li and Xiaoqing Ye and Wankou Yang and Jingdong Wang},
journal= {arXiv preprint arXiv:2409.15730},
year = {2024}
}