基于注意力机制的多任务学习用于端到端自动驾驶
机器人学
2021-04-23 v1 人工智能
计算机视觉与模式识别
摘要
自动驾驶系统需要处理复杂场景，如车道保持、避免碰撞、转弯以及响应交通信号。近年来，基于端到端行为克隆的方法在点到点导航场景中利用真实模拟器和标准基准展现出了卓越性能。离线模仿学习易于获取，因其不需要昂贵的人工标注或与目标环境交互，但难以获得可靠系统。此外，现有方法尚未专门解决交通灯反应的学习问题，而交通灯在训练数据集中出现频率较低。受多任务学习与注意力建模先前工作的启发，我们在条件模仿学习（CIL）框架中提出一种新颖的多任务注意力感知网络。这不仅提升了标准基准的成功率，也提升了我们对交通灯作出反应的能力，我们通过标准基准予以展示。
引用
@article{arxiv.2104.10753,
title = {Multi-task Learning with Attention for End-to-end Autonomous Driving},
author = {Keishi Ishihara and Anssi Kanervisto and Jun Miura and Ville Hautamäki},
journal= {arXiv preprint arXiv:2104.10753},
year = {2021}
}
备注
Accepted to CVPR 2021 Workshop on Autonomous Driving