面向城市环境自动驾驶的偏航角引导模仿学习
机器人学
2021-11-12 v1
摘要
现有的模仿学习方法在面对城市环境中的道路选择问题时效率低下且泛化能力不足。在本文中，我们提出了一种偏航角引导的模仿学习方法，从利用训练样本的效率和对变化环境的适应性方面，提升了端到端自动驾驶范式下的道路选择性能。具体而言，偏航角信息由导航地图的轨迹提供。我们的端到端架构——基于 ResNet34 注意力的偏航角引导模仿学习（YILRatt），集成了 ResNet34 主干网络和注意力机制以获得准确的感知。它不需要高精度地图，在给定消费级 GPS 接收器提供的偏航角信息的情况下即可实现完全的端到端自动驾驶。通过分析注意力热图，我们可以揭示决策与场景感知之间的一些因果关系，特别是失败案例是由错误感知导致的。我们在 Carla 0.9.11 模拟器中收集了专家经验数据，并改进了基准 CoRL2017 和 NoCrash。实验结果表明，YILRatt 的成功率比 SOTA CILRS 高 26.27%。代码、数据集、基准和实验结果可在 https://github.com/Yandong024/Yaw-guided-IL.git 找到。
引用
@article{arxiv.2111.06017,
title = {Yaw-Guided Imitation Learning for Autonomous Driving in Urban Environments},
author = {Yandong Liu and Chengzhong Xu and Hui Kong},
journal= {arXiv preprint arXiv:2111.06017},
year = {2021}
}
备注
9 pages, 9 figures