面向端到端自动驾驶的真实到虚拟域统一框架
计算机视觉与模式识别
2018-09-07 v2
摘要
在基于视觉的自动驾驶范畴中，原始的端到端模型缺乏可解释性且性能次优，而中介感知模型需要额外的诸如分割掩码或检测边界框等中间表示，其标注在规模扩大时成本高昂。更关键的是，若合并来自不同来源的数据，所有先前工作均未能应对臭名昭著的域偏移问题，这极大阻碍了模型的泛化能力。本工作中，我们通过利用驾驶模拟器收集的虚拟数据来克服上述局限，提出 DU-drive，一种面向端到端自动驾驶的无监督真实到虚拟域统一框架。它首先将真实驾驶数据变换为虚拟域中较不复杂的对应数据，然后从生成的虚拟图像预测车辆控制指令。我们的框架具有三个独特优势：1）它将来自多种源分布的驾驶数据映射至统一域，有效消除域偏移；2）所学得的虚拟表示比输入真实图像更简单，且在形式上更接近预测任务的“最小充分统计量”，从而在优化信息瓶颈权衡时减轻压缩阶段的负担并带来更优的预测性能；3）它利用了标注虚拟数据，其获取不受限且免费。在两个公开驾驶数据集与两个驾驶模拟器上的大量实验证明了 DU-drive 的性能优越性与可解释能力。
引用
@article{arxiv.1801.03458,
title = {Real-to-Virtual Domain Unification for End-to-End Autonomous Driving},
author = {Luona Yang and Xiaodan Liang and Tairui Wang and Eric Xing},
journal= {arXiv preprint arXiv:1801.03458},
year = {2018}
}