重新思考自动驾驶：利用多任务知识提升泛化能力与事故解释能力
计算机视觉与模式识别
2018-10-01 v1
摘要
当前端到端深度学习驾驶模型存在两个问题：(1) 当训练驾驶数据集多样性有限时，对未观测驾驶环境的泛化能力差；(2) 当驾驶模型未如预期工作时，缺乏事故解释能力。为解决这两个问题，基于关联简单任务的知识有助于解决困难任务的信念，我们提出了一种由用于“看与想”的感知模块和用于“行为”的驾驶模块组成的新驾驶模型，并以多任务感知相关基础知识和驾驶知识逐步训练它。具体而言，在生成困难驾驶任务的最终控制命令之前，将分割图和深度图（图像的像素级理解）视为处理较易驾驶相关感知问题的“什么与哪里”和“多远”知识。实验结果表明了多任务感知知识在提升泛化能力和事故解释能力方面的有效性。使用我们的方法，在 CoRL 测试的未训练城市中完成最困难导航任务的平均成功率，在已训练天气下超越当前基准方法 15%，在未训练天气下超越 20%。演示视频链接为：https://www.youtube.com/watch?v=N7ePnnZZwdE
引用
@article{arxiv.1809.11100,
title = {Rethinking Self-driving: Multi-task Knowledge for Better Generalization and Accident Explanation Ability},
author = {Zhihao Li and Toshiyuki Motoyoshi and Kazuma Sasaki and Tetsuya Ogata and Shigeki Sugano},
journal= {arXiv preprint arXiv:1809.11100},
year = {2018}
}
备注
11 pages, 4 figures, 3 tables