基于 Tsallis 统计行为克隆的小型噪声数据集个人移动工具自动驾驶
机器学习
2026-02-25 v1 机器人学
摘要
自动驾驶已取得巨大进展并逐步投入实际应用。另一方面，个人移动工具的概念也日益普及，为其面向个体驾驶员的专属自动驾驶有望成为新的一步。然而，从个人移动工具的个体驾驶员处收集大规模驾驶数据集（自动驾驶学习基本所需）是困难的。此外，当驾驶员不熟悉个人移动工具的操作时，数据集将包含非最优数据。因此，本研究聚焦于针对此类小型且含噪的所谓个人数据集的个人移动工具自动驾驶方法。具体而言，我们引入一种基于 Tsallis 统计的新损失函数，该函数依据原始损失函数对梯度加权，并允许我们在优化阶段排除噪声数据。此外，我们改进了可视化技术以验证驾驶员与控制器是否具有相同的关注区域。实验结果表明，常规自动驾驶因个人数据集中的错误操作而无法正常行驶，且关注区域与驾驶员不同。相比之下，所提方法对误差具有鲁棒学习能力，并成功实现自动驾驶，同时关注与驾驶员相似的区域。附带的视频也已上传至 youtube：https://youtu.be/KEq8-bOxYQA
引用
@article{arxiv.2111.14294,
title = {Towards Autonomous Driving of Personal Mobility with Small and Noisy Dataset using Tsallis-statistics-based Behavioral Cloning},
author = {Taisuke Kobayashi and Takahito Enomoto},
journal= {arXiv preprint arXiv:2111.14294},
year = {2026}
}
备注
11 pages, 12 figures