SwapTransformer：基于OSHA数据集通过模仿学习的高速公路超车战术规划模型
人工智能
2024-01-04 v1 计算机视觉与模式识别
机器学习
机器人学
摘要
本文研究了高速公路场景中关于变道和超越其他较慢车辆的高层决策问题。特别地，本文旨在改进用于高速公路自动超车和变道的旅行辅助功能。在仿真中收集了约900万个样本，包括车道图像和其他动态物体。发布了该数据集——模拟高速公路超车（OSHA）数据集以应对这一挑战。为了解决这个问题，设计并实现了一种名为SwapTransformer的架构，作为OSHA数据集上的模仿学习方法。此外，提出了辅助任务，如未来点和车距网络预测，以帮助模型更好地理解周围环境。在仿真环境中，将所提解决方案的性能与多层感知器（MLP）和多头自注意力网络作为基线进行了比较。我们还展示了有和没有辅助任务的模型性能。所有模型基于不同指标进行评估，如完成每圈的时间、超车次数以及与限速的速度差。评估表明，SwapTransformer模型在推理阶段的不同交通密度下均优于其他模型。
引用
@article{arxiv.2401.01425,
title = {SwapTransformer: highway overtaking tactical planner model via imitation learning on OSHA dataset},
author = {Alireza Shamsoshoara and Safin B Salih and Pedram Aghazadeh},
journal= {arXiv preprint arXiv:2401.01425},
year = {2024}
}
备注
19 pages, 12 Figures, 1 Algorithm, 2 Tables