使用 VQ-VAE 和可微优化学习采样分布与安全过滤器以用于自动驾驶
机器人学
2024-04-26 v2
摘要
从分布中采样轨迹，然后基于指定的代价函数对其进行排序，是自动驾驶中的一种常见方法。通常，采样分布是手工设计的（例如高斯分布或网格）。最近，人们一直致力于通过生成模型（如条件变分自编码器，CVAE）来学习采样分布。然而，由于CVAE的高斯潜变量先验，这些方法未能捕捉驾驶行为的多模态性。因此，在本文中，我们通过向量量化变分自编码器（VQ-VAE）重新构想分布学习，其离散潜空间能够很好地捕捉多模态采样分布。VQ-VAE使用最优轨迹的演示数据进行训练。我们进一步提出了一个基于可微优化的安全过滤器，以最小程度地校正VQ-VAE采样的轨迹，从而确保避免碰撞。我们在自监督学习设置中通过优化层使用反向传播来学习安全过滤器的良好初始化和最优参数。我们在密集和激进的交通场景中与最先进的基于CVAE的基线进行了广泛比较，并表明在驾驶速度具有竞争力的同时，碰撞率最多降低了12倍。
引用
@article{arxiv.2403.19461,
title = {Learning Sampling Distribution and Safety Filter for Autonomous Driving with VQ-VAE and Differentiable Optimization},
author = {Simon Idoko and Basant Sharma and Arun Kumar Singh},
journal= {arXiv preprint arXiv:2403.19461},
year = {2024}
}