端到端驾驶模型高效训练与验证的数据选择
计算机视觉与模式识别
2022-06-02 v1 机器学习
机器人学
摘要
数据驱动的机器学习（ML）的出现促进了诸多复杂任务（如高度自动化驾驶）的显著进展。尽管大量努力投入于改进此类应用中的 ML 模型与学习算法，关于应如何设计训练数据与验证设置的研究却很少。本文考察了若干关于以端到端方式可训练的深层驾驶模型之训练与验证的数据设计选择的影响。具体而言，（i）我们考察训练数据量如何影响最终驾驶性能，以及当前用于生成训练数据的机制引发了哪些性能局限。（ii）进一步，我们通过相关性分析表明，何种验证设计能使验证期间测得的驾驶性能良好地泛化至未知测试环境。（iii）最后，我们考察随机种子与非确定性的影响，从而给出哪些已报道的改进可被视为显著的见解。我们使用流行的 CARLA 模拟器进行评估，就数据生成与驾驶路线选择给出有助于未来高效开发端到端驾驶模型的建议。
引用
@article{arxiv.2206.00608,
title = {On the Choice of Data for Efficient Training and Validation of End-to-End Driving Models},
author = {Marvin Klingner and Konstantin Müller and Mona Mirzaie and Jasmin Breitenstein and Jan-Aike Termöhlen and Tim Fingscheidt},
journal= {arXiv preprint arXiv:2206.00608},
year = {2022}
}
备注
Accepted at CVPR VDU Workshop 2022