基于随机与不确定性感知视角的视觉自主驾驶部署

端到端的基于视觉的模仿学习已广泛应用于自主驾驶。在部署训练好的基于视觉的驾驶策略时，通常直接采用确定性指令而不考虑输入数据的不确定性。此类策略在真实世界中应用时可能带来严重损害。本文遵循近期的实到仿（real-to-sim）流程，在使用训练好的策略时将测试世界图像翻译回训练域。在翻译过程中，使用随机生成器随机或定向地生成在训练域下风格化的多种图像。基于这些翻译后的图像，训练好的不确定性感知模仿学习策略将受偶然损失函数（aleatoric loss function）驱动，输出预测动作与数据不确定性。通过不确定性感知模仿学习策略，我们可轻松从生成图像中选择不确定性最低的最安全者。在 Carla 导航基准上的实验表明，我们的策略优于以往方法，尤其在动态环境中。