基于失败的有效性学习：缓解自动驾驶规划中的分布迁移
机器人学
2024-09-25 v2 人工智能
机器学习
摘要
规划问题是自动驾驶框架的基本方面。最近的表征学习进展使车辆能够理解其周围环境，从而促进了学习基准规划策略的集成。其中，模仿学习因其显著的训练效率而居于不逊。然而，传统模仿学习方法面临协ariate shift 现象的挑战。我们提出了一种名为 Validity Learning on Failures（VL(on failure)）的解决方案以解决此问题。该方法的核心在于跨各种场景部署预训练的规划器。当规划器偏离其 immediate 目标时（例如保持障碍物的安全距离或遵守交通规则），即被标记为失败。将这些失败对应的状态编译成新的数据集，即 failure dataset。由于该数据缺乏专家标注，标准的模仿学习方法无法适用。为促进从闭环错误中学习，我们引入 VL 目标，旨在在当前环境背景中辨别有效轨迹。在 CARLA 仿真中的 reactive 与 log-replay 仿真中的非 reactive 实验评估显示，所提出方法在闭环指标（如 \textit{Score, Progress} 和 Success Rate）上实现了显著提升，凸显了该方法的有效性。进一步的针对 Bench2Drive 基准的评估表明，VL(on failure) 超越了最前沿方法取得了大幅优势。
引用
@article{arxiv.2406.01544,
title = {Validity Learning on Failures: Mitigating the Distribution Shift in Autonomous Vehicle Planning},
author = {Fazel Arasteh and Mohammed Elmahgiubi and Behzad Khamidehi and Hamidreza Mirkhani and Weize Zhang and Cao Tongtong and Kasra Rezaee},
journal= {arXiv preprint arXiv:2406.01544},
year = {2024}
}