Penalty-Based Imitation Learning With Cross Semantics Generation Sensor Fusion for Autonomous Driving

要約

パターン認識とコンピューター ビジョン テクノロジの急速な発展により、オブジェクト検出やセマンティック セグメンテーションなどのタスクは、人間よりもさらに優れた精度を達成しています。
これらの強固な基盤に基づいて、自動運転は重要な研究の方向性になりつつあり、輸送とモビリティの未来に革命を起こすことを目指しています。
センサーは、自動運転のセキュリティと周囲の環境を認識する実現可能性にとって重要です。
マルチセンサー フュージョンは、多次元知覚と統合能力の可能性があるため、現在の研究のホット スポットになっています。
この論文では、模倣学習によるエンドツーエンドの自動運転ナビゲーションのための新しい機能レベルのマルチセンサー融合技術を提案します。
私たちの論文は、主に Lidar と RGB 情報の融合技術に焦点を当てています。
また、モデルの交通規則への準拠を強化し、模倣学習の目的と自動運転の測定基準を統一するための、まったく新しいペナルティベースの模倣学習方法も提供します。

要約(オリジナル)

With the rapid development of Pattern Recognition and Computer Vision technologies, tasks like object detection or semantic segmentation have achieved even better accuracy than human beings. Based on these solid foundations, autonomous driving is becoming an important research direction, aiming to revolute the future of transportation and mobility. Sensors are critical to autonomous driving’s security and feasibility to perceive the surrounding environment. Multi-Sensor fusion has become a current research hot spot because of its potential for multidimensional perception and integration ability. In this paper, we propose a novel feature-level multi-sensor fusion technology for end-to-end autonomous driving navigation with imitation learning. Our paper mainly focuses on fusion technologies for Lidar and RGB information. We also provide a brand-new penalty-based imitation learning method to reinforce the model’s compliance with traffic rules and unify the objective of imitation learning and the metric of autonomous driving.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google