行人密集环境中的模仿导航
计算机视觉与模式识别
2018-11-02 v1
摘要
在 human actions 演示数据上训练的深度神经网络赋予机器人在道路上自动驾驶的能力。然而,在行人密集的环境(如校园场景)中导航仍然具有挑战性——人们需要对机器人频繁干预,并从其导致错误的早期步骤起接管控制。因此,学习框架设计和数据采集面临艰巨负担。本文中,我们提出一种新的从干预中学习的数据集聚合(DAgger)算法,以克服将模仿学习应用于行人密集环境导航所带来的局限。我们的新学习算法实现了错误回溯功能,能够有效从专家干预中学习。将新学习算法与深度卷积神经网络和分层嵌套策略选择机制结合,我们展示了机器人能够直接将像素映射到控制命令,并在真实世界中成功导航,而无需显式建模行人行为或世界模型。
引用
@article{arxiv.1811.00506,
title = {Navigation by Imitation in a Pedestrian-Rich Environment},
author = {Jing Bi and Tianyou Xiao and Qiuyue Sun and Chenliang Xu},
journal= {arXiv preprint arXiv:1811.00506},
year = {2018}
}