SHAIL：面向城市环境自动驾驶的安全感知分层对抗模仿学习
机器人学
2023-06-13 v3
摘要
为自动驾驶车辆设计安全且类人的决策系统是一项具有挑战性的任务。生成式模仿学习是一种可能的途径，通过利用真实世界与仿真决策来自动化策略构建。先前将生成式模仿学习应用于自动驾驶策略的工作集中于为简单场景学习低级控制器。然而，为扩展到复杂场景，许多自动驾驶系统将固定的、安全的、基于优化的低级控制器与选择适当任务及关联控制器的高级决策逻辑相结合。本文中，我们试图通过采用安全感知分层对抗模仿学习（SHAIL）——一种学习高级策略的方法，该策略以在线方式模仿低级驾驶数据，从一组低级控制器实例中进行选择——来弥合这一复杂性差距。我们引入了一个城市环岛仿真器，使用来自 Interaction 数据集的真实数据控制非自车车辆。随后我们通过实验证明，即便使用简单的控制器选项，我们的方法也能产生比先前难以扩展到复杂环境的驾驶模仿方法更好的行为。我们的实现见 https://github.com/sisl/InteractionImitation。
引用
@article{arxiv.2204.01922,
title = {SHAIL: Safety-Aware Hierarchical Adversarial Imitation Learning for Autonomous Driving in Urban Environments},
author = {Arec Jamgochian and Etienne Buehrle and Johannes Fischer and Mykel J. Kochenderfer},
journal= {arXiv preprint arXiv:2204.01922},
year = {2023}
}
备注
Presented at the 2023 IEEE International Conference on Robotics and Automation (ICRA)