NEAT：用于端到端自动驾驶的神经注意力场
计算机视觉与模式识别
2021-09-10 v1 人工智能
机器学习
机器人学
摘要
对场景的语义、空间和时间结构进行高效推理是自动驾驶的关键前提。我们提出了神经注意力场（NEural ATtention fields, NEAT），这是一种新颖的表示方法，能够为端到端模仿学习模型实现此类推理。NEAT 是一个连续函数，它利用中间注意力图将高维 2D 图像特征迭代压缩为紧凑表示，从而将鸟瞰图（BEV）场景坐标中的位置映射到航点和语义。这使得我们的模型能够选择性地关注输入中的相关区域，同时忽略与驾驶任务无关的信息，有效地将图像与 BEV 表示关联起来。在涉及不利环境条件和具有挑战性场景的新评估设置中，NEAT 优于几个强基线，并取得了与用于生成其训练数据的特权 CARLA 专家相当的驾驶分数。此外，可视化具有 NEAT 中间表示的模型的注意力图提供了更好的可解释性。
引用
@article{arxiv.2109.04456,
title = {NEAT: Neural Attention Fields for End-to-End Autonomous Driving},
author = {Kashyap Chitta and Aditya Prakash and Andreas Geiger},
journal= {arXiv preprint arXiv:2109.04456},
year = {2021}
}
备注
ICCV 2021