Learning to Drive Anywhere

要約

人間のドライバーは、左側通行か右側通行かなど、道路のさまざまな条件やルールに応じて、地理的な場所全体で運転の決定をシームレスに適応させることができます。
対照的に、既存の自動運転モデル​​は、これまでのところ、限られた運用領域内でのみ展開されており、場所やモデルの拡張性による運転動作の変化は考慮されていません。
この研究では、動的な環境、交通、社会的特性を持つ異種の世界的に分散されたデータから効率的に学習できる単一の地理的認識条件付き模倣学習 (CIL) モデルである AnyD を提案します。
私たちの重要な洞察は、データ駆動型の方法で地域間の類似性を柔軟にモデル化しながら、地域の微妙な違いに効果的に適応する大容量の地理位置ベースのチャネル アテンション メカニズムを導入することです。
対照的な模倣の目的を最適化することにより、私たちが提案するアプローチは、本質的に不均衡なデータ分布と場所に依存するイベント全体にわたって効率的に拡張できます。
複数のデータセット、都市、スケーラブルな展開パラダイム (集中型、半監視型、分散型のエージェント トレーニング) にわたる AnyD エージェントの利点を実証します。
具体的には、AnyD は、CARLA の開ループ評価で 14% 以上、閉ループ テストで 30% 以上、CIL ベースラインを上回っています。

要約(オリジナル)

Human drivers can seamlessly adapt their driving decisions across geographical locations with diverse conditions and rules of the road, e.g., left vs. right-hand traffic. In contrast, existing models for autonomous driving have been thus far only deployed within restricted operational domains, i.e., without accounting for varying driving behaviors across locations or model scalability. In this work, we propose AnyD, a single geographically-aware conditional imitation learning (CIL) model that can efficiently learn from heterogeneous and globally distributed data with dynamic environmental, traffic, and social characteristics. Our key insight is to introduce a high-capacity geo-location-based channel attention mechanism that effectively adapts to local nuances while also flexibly modeling similarities among regions in a data-driven manner. By optimizing a contrastive imitation objective, our proposed approach can efficiently scale across inherently imbalanced data distributions and location-dependent events. We demonstrate the benefits of our AnyD agent across multiple datasets, cities, and scalable deployment paradigms, i.e., centralized, semi-supervised, and distributed agent training. Specifically, AnyD outperforms CIL baselines by over 14% in open-loop evaluation and 30% in closed-loop testing on CARLA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google