基于视觉的非结构化环境自动驾驶模仿学习

非结构化环境对自动驾驶而言十分困难。这是因为可行驶空间中没有车道线，且散布着各种未知障碍物，其宽度和曲率变化很大。在此类复杂环境中，实时搜索路径十分困难。此外，不准确的定位数据会降低路径跟踪精度，增加碰撞风险。相较于搜索并跟踪路径，已有研究提出一种替代方案，即实时反应式避障。现有一些方法可利用候选路径与人工势场在避障的同时跟踪全局路径。然而，这些方法需要启发式方法来寻找处理各种复杂环境的特定参数。另外，由于定位数据不准确，实践中难以精确跟踪全局路径。若可行驶空间未被准确识别（即噪声状态），车辆可能无法平稳行驶或与障碍物发生碰撞。本研究提出一种仅利用基于视觉的占据栅格地图使车辆驶向可行驶空间的方法。所提方法采用模仿学习，通过专家驾驶数据训练深度神经网络。由于训练数据包含了各种复杂与噪声情形，该网络能够学习适用于这些情形的驾驶模式。在真实停车场使用车辆进行的实验表明了通用基于模型方法的局限性以及所提模仿学习方法的有效性。