每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

通过模仿周围车辆学习驾驶

Created by
  • Haebom

作者

亚辛·索梅兹、汉娜·克拉索夫斯基、穆拉特·阿卡克

大纲

本文探讨了模仿学习，即模仿自动驾驶汽车 (AV) 专业驾驶员的行为，使其学习如何在复杂的交通环境中行驶。现有的模仿学习框架通常侧重于专家演示，而忽略了利用周边交通参与者复杂驾驶数据的潜力。本研究提出了一种数据增强策略，该策略利用自动驾驶汽车传感器捕捉到的附近车辆的观测轨迹作为补充演示。一种简单的车辆选择性采样和过滤策略优先考虑信息丰富且多样化的驾驶行为，从而生成更丰富的训练数据集。使用基于代表性学习的规划器在大型真实世界数据集上进行的评估结果表明，该系统在复杂驾驶场景中获得了更高的性能。具体而言，该系统降低了碰撞率并提高了安全指标，即使仅使用原始数据集的 10%，也能达到与使用完整数据集相当甚至更高的性能。通过消融研究，我们分析了选择标准，并证明简单的随机选择可能会导致性能不佳。本研究强调了在模仿学习中利用多样化真实世界轨迹数据的价值，并为自动驾驶的数据增强策略提供了见解。

Takeaways, Limitations

•
Takeaways：
◦
我们通过实证证明，利用周围车辆的路径数据的数据增强策略对于提高基于模仿学习的自动驾驶性能是有效的。
◦
它表明即使在数据有限的情况下也能实现出色的性能（提高数据效率）。
◦
强调信息丰富且多样化的数据选择策略的重要性。
◦
降低碰撞率、提高安全指标的确认效果。
•
Limitations：
◦
需要进一步研究来确定所提出的车辆选择策略的普遍性。
◦
需要针对各种环境和场景进行多功能性验证。
◦
鉴于所用基于学习的规划器的特性，在解释结果时需要谨慎。其他规划器的性能评估尚缺乏。
◦
没有详细讨论有关数据质量（错误、遗漏等）的考虑。
👍
Made with Slashpage