SafetyNet：基于机器学习策略的真实世界自动驾驶车辆安全规划
机器人学
2021-09-29 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
本文提出首个从人类演示训练并部署于具挑战性的真实世界城市场景中的自动驾驶车辆全控制安全系统。当前行业标准的解决方案使用基于规则的规划系统。尽管其在常见场景中表现尚可，但工程复杂性使该方法难以达到人类水平性能。另一方面，机器学习（ML）规划方案的性能可通过简单增加示例数据得以提升。然而，ML 方法无法提供安全保证且有时行为不可预测。为应对此问题，我们的方法采用简单而有效的基于规则的回退层，对 ML 规划器的决策执行合理性检查（例如避免碰撞、确保物理可行性）。这使我们能够利用 ML 处理复杂情况，同时仍确保安全，将仅用 ML 规划器的碰撞减少 95%。我们使用模仿学习在 300 小时专家驾驶演示上训练 ML 规划器，并将其与回退层一同部署于旧金山 downtown，在那里它完全控制真实车辆并导航于各种具挑战性的城市驾驶场景。
引用
@article{arxiv.2109.13602,
title = {SafetyNet: Safe planning for real-world self-driving vehicles using machine-learned policies},
author = {Matt Vitelli and Yan Chang and Yawei Ye and Maciej Wołczyk and Błażej Osiński and Moritz Niendorf and Hugo Grimmett and Qiangui Huang and Ashesh Jain and Peter Ondruska},
journal= {arXiv preprint arXiv:2109.13602},
year = {2021}
}