为自动驾驶分离世界模型与自车模型
机器人学
2022-04-18 v1
摘要
训练自动驾驶系统对驾驶场景的长尾分布具有鲁棒性是一个关键问题。基于模型的方法利用仿真来模拟广泛的场景，而不使用户在真实世界中面临风险。实现高保真仿真的一条有前景的路径是训练世界的前向模型，以在给定过去状态和动作序列的情况下预测环境与本车未来的状态。本文中，我们认为将通常具有简单、可预测且确定性行为的本车状态，与复杂得多且高度多模态的其余环境状态分开建模是有益的。我们提议使用简单可微的运动学模型为本车建模，同时在状态的光栅化表示上训练随机卷积前向模型以预测其余环境的行为。我们探索了此类解耦模型的若干配置，并使用模型预测控制(MPC)与直接策略学习评估其性能。我们在高速公路驾驶任务上测试了我们的方法，并展示了更低的碰撞率与更好的稳定性。代码可在 https://github.com/vladisai/pytorch-PPUU/tree/ICLR2022 获取。
引用
@article{arxiv.2204.07184,
title = {Separating the World and Ego Models for Self-Driving},
author = {Vlad Sobal and Alfredo Canziani and Nicolas Carion and Kyunghyun Cho and Yann LeCun},
journal= {arXiv preprint arXiv:2204.07184},
year = {2022}
}
备注
8 pages main content, 14 with references and appendix. 5 figures in total. Submitted and accepted to ICLR 2022 workshop on Generalizable Policy Learning in the Physical World (https://ai-workshops.github.io/generalizable-policy-learning-in-the-physical-world/)