Symphony：面向自动驾驶仿真中学习真实且多样智能体的方法
机器学习
2022-05-09 v1 机器人学
摘要
仿真是加速自动驾驶车辆开发的关键工具。使仿真真实需要建立与此类车辆交互的人类道路使用者模型。这类模型可通过将示范学习（LfD）应用于已在道路上行驶的车辆所观测到的轨迹来获得。然而，现有的 LfD 方法通常不足，产生的策略频繁发生碰撞或驶离道路。为解决该问题，我们提出 Symphony，其通过结合常规策略与并行束搜索大幅提升了真实度。束搜索通过剪枝掉被判别器不利评估的分支来即时优化这些策略。但它也可能损害多样性，即智能体覆盖真实行为整个分布的程度，因为剪枝可能助长模式坍塌。Symphony 采用分层方法解决此问题，将智能体行为分解为目标生成与目标条件化。此类目标的使用确保了智能体多样性既不会在对抗训练中消失，也不会被束搜索剪枝掉。在专有和开放的 Waymo 数据集上的实验证实，Symphony 智能体比若干基线学习到更真实且多样的行为。
引用
@article{arxiv.2205.03195,
title = {Symphony: Learning Realistic and Diverse Agents for Autonomous Driving Simulation},
author = {Maximilian Igl and Daewoo Kim and Alex Kuefler and Paul Mougin and Punit Shah and Kyriacos Shiarlis and Dragomir Anguelov and Mark Palatucci and Brandyn White and Shimon Whiteson},
journal= {arXiv preprint arXiv:2205.03195},
year = {2022}
}
备注
Accepted to ICRA-2022