数量胜于质量：利用大规模商品视觉数据训练自动驾驶运动规划器
机器人学
2022-10-17 v2 机器学习
摘要
随着自动驾驶（AV）行业向机器学习方法进行运动规划转变，自动驾驶系统的性能开始严重依赖大量的专家驾驶演示。然而，收集这些演示数据通常需要昂贵的 HD 传感器套件（LiDAR + RADAR + 摄像头），在所需规模下很快变得在经济上不可行。这促使使用如摄像头等商品传感器进行数据收集，其比 HD 传感器套件便宜一个数量级，但保真度较低。利用这些传感器训练 AV 运动规划器开辟了一条在经济上可行的路径来观察驾驶事件的“长尾”。作为主要贡献，我们表明可以使用商品视觉数据训练出高性能运动规划器，其以一小部分成本优于在 HD 传感器数据上训练的规划器。据我们所知，我们是首个使用真实世界数据证明这一点的。我们比较了自动驾驶系统在这两种不同传感器配置下的性能，并表明我们可以通过增加数量来补偿较低的传感器保真度：在 100 小时商品视觉数据上训练的规划器优于在 25 小时昂贵 HD 数据上训练的规划器。我们还分享了为使该工作可行而必须应对的工程挑战。
引用
@article{arxiv.2203.01681,
title = {Quantity over Quality: Training an AV Motion Planner with Large Scale Commodity Vision Data},
author = {Lukas Platinsky and Tayyab Naseer and Hui Chen and Ben Haines and Haoyue Zhu and Hugo Grimmett and Luca Del Pero},
journal= {arXiv preprint arXiv:2203.01681},
year = {2022}
}