基于选择性多类安全数据集聚合的采样高效交互式端到端自动驾驶深度学习
机器人学
2020-07-30 v1 计算机视觉与模式识别
机器学习
系统与控制
系统与控制
摘要
本文旨在开发一种采样高效的端到端深度学习方法用于自动驾驶汽车，我们尝试通过对每次调用专家驾驶员策略所获结果进行仔细分析，提升从样本中提取信息的价值。端到端模仿学习是计算自动驾驶策略的常用方法。标准方法依赖于从专家策略收集输入（相机图像）与输出（转向角等）对，并拟合深度神经网络以学习驾驶策略。尽管该方法过去有一些成功演示，学习良好策略可能需要大量专家驾驶员样本，这可能耗费资源。本工作中，我们基于安全数据集聚合（safe DAgger）方法开发了一种新框架，其中当前学到的策略被自动分割为不同轨迹类，算法在每一步识别表现较弱的轨迹段或类。一旦识别出表现较弱的轨迹段，采样算法仅在这些段上调用专家策略，从而提高了收敛速度。所给仿真结果表明，在使用相同数量专家样本的情况下，相比标准 safe DAgger 算法，所提方法能取得显著更优的性能。
引用
@article{arxiv.2007.14671,
title = {Sample Efficient Interactive End-to-End Deep Learning for Self-Driving Cars with Selective Multi-Class Safe Dataset Aggregation},
author = {Yunus Bicer and Ali Alizadeh and Nazim Kemal Ure and Ahmetcan Erdogan and Orkun Kizilirmak},
journal= {arXiv preprint arXiv:2007.14671},
year = {2020}
}
备注
6 pages, 6 figures, IROS2019 conference