基于惩罚的模仿学习与时叉语义生成传感器融合用于自动驾驶
机器人学
2023-10-27 v4 人工智能
摘要
近来，端到端自动驾驶技术受到越来越多的关注。该技术用单个神经网络替代整个驾驶流水线，具有更简单的结构和更快的推理时间。然而，这种方法虽然减少了驾驶流水线中的组件数量，但也带来了可解释性与安全性方面的挑战。例如，训练得到的策略可能并不总是遵守交通规则，且由于缺乏中间输出，难以确定此类不当行为的原因。此外，自动驾驶技术的成功实现严重依赖于可靠且快速地处理传感数据以准确感知周围环境。在本文中，我们提供基于惩罚的模仿学习方法，并结合跨语义生成传感器融合技术（P-CSG），以高效整合多模态信息并使自主智能体有效遵守交通法规。我们的模型在 Town 05 Long 基准上接受评估，观察到相比最先进的（SOTA）模型 InterFuser，驾驶分数显著提升超过 12%。值得注意的是，我们的模型在取得此性能提升的同时，推理速度提高了 7 倍，模型大小减少了约 30%。更多详细信息及基于代码的资源可在 https://hk-zh.github.io/p-csg/ 获取。
引用
@article{arxiv.2303.11888,
title = {Penalty-Based Imitation Learning With Cross Semantics Generation Sensor Fusion for Autonomous Driving},
author = {Hongkuan Zhou and Aifen Sui and Letian Shi and Yinxian Li},
journal= {arXiv preprint arXiv:2303.11888},
year = {2023}
}