SimNet：从真实世界观测中学习反应式自动驾驶仿真
机器人学
2021-05-27 v1 计算机视觉与模式识别
机器学习
摘要
在这项工作中，我们提出了一个简单的端到端可训练机器学习系统，能够真实地仿真驾驶体验。这可用于验证自动驾驶系统性能，而无需依赖昂贵且耗时的道路测试。具体而言，我们将仿真问题构建为马尔可夫过程，利用深度神经网络对状态分布和转移函数进行建模。这些可直接从现有原始观测中训练，无需以对象或运动学模型形式进行任何手工设计。所需要的仅是一个历史交通片段的数据集。我们的公式允许系统构建从未见过的、能针对自动驾驶汽车行为作出真实反应的场景。我们直接从1000小时的驾驶日志中训练系统，并将仿真的真实感与反应性作为仿真的两个关键属性进行度量。同时，我们应用该方法评估一个近期提出的、从人类驾驶日志训练得到的state-of-the-art机器学习规划系统的性能。我们发现该规划系统易于出现先前未报道的因果混淆问题，而这些问题难以通过非反应式仿真进行测试。据我们所知，这是首个将高度真实的数据驱动仿真与自动驾驶车辆闭环评估直接结合的工作。我们公开了数据、代码和预训练模型以进一步促进仿真发展。
引用
@article{arxiv.2105.12332,
title = {SimNet: Learning Reactive Self-driving Simulations from Real-world Observations},
author = {Luca Bergamini and Yawei Ye and Oliver Scheel and Long Chen and Chih Hu and Luca Del Pero and Blazej Osinski and Hugo Grimmett and Peter Ondruska},
journal= {arXiv preprint arXiv:2105.12332},
year = {2021}
}
备注
Published at 2021 International Conference on Robotics and Automation (ICRA2021)