随处学习驾驶
计算机视觉与模式识别
2023-09-26 v2 人工智能
机器学习
机器人学
摘要
人类驾驶员能够无缝地将其驾驶决策适应于具有不同条件和道路规则的地理位置，例如左行与右行交通。相比之下，现有的自动驾驶模型迄今为止仅部署在受限的运行域内，即未考虑跨地点的驾驶行为差异或模型可扩展性。在这项工作中，我们提出 AnyD，一种单一的地理感知条件模仿学习（CIL）模型，能够高效地从具有动态环境、交通和社会特征的异构且全球分布的数据中学习。我们的核心见解是引入一种高容量的基于地理定位的通道注意力机制，该机制有效适应局部细微差别，同时以数据驱动的方式灵活建模区域间的相似性。通过优化对比模仿目标，我们提出的方法能够跨固有不平衡的数据分布和依赖于位置的事件高效扩展。我们在多个数据集、城市和可扩展部署范式（即集中式、半监督和分布式智能体训练）上展示了我们的 AnyD 智能体的优势。具体而言，在 CARLA 上，AnyD 在开环评估中优于 CIL 基线超过 14%，在闭环测试中优于 30%。
引用
@article{arxiv.2309.12295,
title = {Learning to Drive Anywhere},
author = {Ruizhao Zhu and Peng Huang and Eshed Ohn-Bar and Venkatesh Saligrama},
journal= {arXiv preprint arXiv:2309.12295},
year = {2023}
}
备注
Conference on Robot Learning (CoRL) 2023