基于条件模仿学习的城市驾驶
计算机视觉与模式识别
2019-12-06 v2 人工智能
机器学习
机器人学
摘要
为真实世界城市自动驾驶手工编写通用的决策规则十分困难。相比之下，从易于收集的人类驾驶演示中学习行为颇具吸引力。已有研究探讨了自动驾驶中的模仿学习（IL），但存在若干局限。例如：仅执行车道跟随而非遵循用户定义路线；仅使用单一相机视角或严重裁剪的帧，缺乏状态可观测性；仅进行横向（转向）控制而不进行纵向（速度）控制；以及缺乏与交通的交互。重要的是，此类系统大多主要在仿真中评估——仿真是一个缺乏真实世界复杂性的简单领域。受这些挑战驱动，我们专注于利用计算机视觉从人类驾驶演示中学习语义、几何与运动的表征以用于模仿学习。作为主要贡献，我们提出了一种端到端条件模仿学习方法，在真实车辆上结合横向与纵向控制，以在简单交通下遵循城市路线。我们通过数据平衡解决固有的数据集偏差，在六个月收集的约30小时演示上训练最终策略。我们在自动驾驶车辆上通过行驶欧洲城市街道中35公里的新颖路线来评估我们的方法。
引用
@article{arxiv.1912.00177,
title = {Urban Driving with Conditional Imitation Learning},
author = {Jeffrey Hawke and Richard Shen and Corina Gurau and Siddharth Sharma and Daniele Reda and Nikolay Nikolov and Przemyslaw Mazur and Sean Micklethwaite and Nicolas Griffiths and Amar Shah and Alex Kendall},
journal= {arXiv preprint arXiv:1912.00177},
year = {2019}
}
备注
Under submission; added acknowledgements