在基于视觉的端到端驾驶策略中学习稳定性注意力
机器人学
2023-04-07 v1 机器学习
系统与控制
系统与控制
摘要
现代端到端学习系统能够学会从感知中显式推断控制。然而，由于这些系统常常暴露于非结构化、高维且复杂的观测空间（例如从像素输入流中进行自动驾驶），难以保证其稳定性与鲁棒性。我们提出利用控制 Lyapunov 函数（CLFs）为基于视觉的端到端策略赋予稳定性特性，并引入 CLFs 中的稳定性注意力（att-CLFs）以应对环境变化并提升学习灵活性。我们还提出了一种紧密集成于 att-CLFs 中的不确定性传播技术。我们在照片级真实感模拟器以及真实全尺寸自动驾驶车辆上，通过与经典 CLFs、模型预测控制以及原始端到端学习进行对比，验证了 att-CLFs 的有效性。
引用
@article{arxiv.2304.02733,
title = {Learning Stability Attention in Vision-based End-to-end Driving Policies},
author = {Tsun-Hsuan Wang and Wei Xiao and Makram Chahine and Alexander Amini and Ramin Hasani and Daniela Rus},
journal= {arXiv preprint arXiv:2304.02733},
year = {2023}
}
备注
First two authors contributed equally; L4DC 2023