基于可解释传感器融合Transformer的安全增强自动驾驶
计算机视觉与模式识别
2022-12-08 v5 人工智能
机器学习
机器人学
摘要
由于安全问题，自动驾驶车辆的大规模部署持续推迟。一方面，全面的场景理解不可或缺，缺乏这一点将导致对罕见但复杂的交通状况（例如未知物体的突然出现）的脆弱性。然而，从全局上下文进行推理需要访问多种类型的传感器并充分融合多模态传感器信号，这难以实现。另一方面，学习模型缺乏可解释性也因故障原因不可验证而妨碍了安全性。本文提出一种名为可解释传感器融合Transformer（InterFuser）的安全增强自动驾驶框架，以充分处理并融合来自多模态多视角传感器的信息，实现全面的场景理解与对抗事件检测。此外，我们的框架生成中间可解释特征，这些特征提供更多的语义信息，并被用于更好地约束动作处于安全集合内。我们在CARLA基准上进行了大量实验，我们的模型优于先前的方法，在公开CARLA Leaderboard上排名第一。我们的代码将在 https://github.com/opendilab/InterFuser 提供。
引用
@article{arxiv.2207.14024,
title = {Safety-Enhanced Autonomous Driving Using Interpretable Sensor Fusion Transformer},
author = {Hao Shao and Letian Wang and RuoBing Chen and Hongsheng Li and Yu Liu},
journal= {arXiv preprint arXiv:2207.14024},
year = {2022}
}
备注
Accepted at CoRL 2022