N²C：基于行为克隆的神经网络控制器设计
信号处理
2021-12-01 v2 系统与控制
系统与控制
摘要
现代车辆通过采用差分信号的控制器局域网络（CAN）总线在传感器、执行器和电子控制单元（ECUs）之间收发数据。负责执行自动驾驶车辆决策命令的自动驾驶 ECU 通过整合来自 CAN 总线的信息来开发。解析决策命令的常规方式是运动规划，其使用路径跟踪算法来评估决策命令。本研究聚焦于利用深度学习框架，通过行为克隆和自动驾驶车辆运动规划设计鲁棒控制器。在本研究的第一部分，我们探究了从路径跟踪算法到控制器的决策命令解析流程，并提出了一种使用行为克隆的基于神经网络的控制器（）。所提出的网络在用从 CAN 总线获取的手动驾驶数据训练时，可预测油门、制动和扭矩。通过将精度与比例—微分—积分（PID）控制器结合路径跟踪算法（纯追踪和基于模型预测控制的路径跟随器）进行比较，证明了所提方法的有效性。本研究的第二部分对 形成补充，其中提出了一种以图像数据作为输入、用于预测速度和转向角的端到端神经网络。所提框架在实时环境和 Udacity 数据集上进行了评估，与最先进的方法相比，前者表现出更好的度量分数，后者表现出可靠的预测。
引用
@article{arxiv.2006.00820,
title = {N 2 C : Neural Network Controller Design Using Behavioral Cloning},
author = {Shoaib Azam and Farzeen Munir and Muhammad Aasim Rafique and Ahmad Muqeem Sheri and Muhammad Ishfaq Hussain and Moongu Jeon},
journal= {arXiv preprint arXiv:2006.00820},
year = {2021}
}