基于3D卷积神经网络的迷你级自动驾驶汽车
机器人学
2025-09-01 v1 计算机视觉与模式识别
摘要
自动驾驶应用日益增长，因其有望提升车辆的安全性、效率和用户体验，从而满足日益增长的高级驾驶辅助功能需求。然而，开发可靠且可信的自动驾驶系统面临着高复杂度、长时间的训练周期以及内在的不确定性等挑战。迷你级自动驾驶汽车（MAC）用作实际测试平台，使自动控制方法论得以在小规模环境中进行验证。这种简化且成本效益高的环境有利于快速评估和比较机器学习模型，特别适合需要在线训练的算法。为此，本文提出一种基于RGB-D信息和三维卷积神经网络（3D CNN）的MAC自动驾驶方法论，用于仿真环境。我们将所提出的方法与循环神经网络（RNN）进行评估，分别在两个具有不同环境特征的仿真赛道上进行训练和测试。通过任务完成成功率、环时间指标以及驾驶一致性等指标评估性能。结果表明，架构修改和赛道复杂度对模型的泛化能力和车辆控制性能具有显著影响。与RNN相比，所提出的3D CNN在本研究中展现出有前景的性能。
引用
@article{arxiv.2508.21271,
title = {Mini Autonomous Car Driving based on 3D Convolutional Neural Networks},
author = {Pablo Moraes and Monica Rodriguez and Kristofer S. Kappel and Hiago Sodre and Santiago Fernandez and Igor Nunes and Bruna Guterres and Ricardo Grando},
journal= {arXiv preprint arXiv:2508.21271},
year = {2025}
}