Detrive: Imitation Learning with Transformer Detection for End-to-End Autonomous Driving

要約

この論文では、Detlive という名前の、Transformer ベースの新しいエンドツーエンド自動運転モデル​​を提案します。
このモデルは、従来のエンドツーエンドモデルでは交通参加者の位置や大きさを検出できないという問題を解決します。
Detrive は、エンドツーエンドのトランスフォーマー ベースの検出モデルを認識モジュールとして使用します。
特徴融合ネットワークとしての多層パーセプトロン。
パス計画のためのゲートリカレントユニットを備えたリカレントニューラルネットワーク。
車両の前進速度と回転角を制御する 2 つのコントローラー。
モデルはオンライン模倣学習方法でトレーニングされます。
より良い訓練セットを得るために、Carlaシミュレーターから知覚出力としてグラウンドトゥルース鳥瞰図マップを直接取得できる強化学習エージェントを模倣学習の教師として使用します。
トレーニングされたモデルは、Carla の自動運転ベンチマークでテストされます。
結果は、Transformer 検出器ベースのエンドツーエンド モデルが、従来の分類器ベースのエンドツーエンド モデルと比較して、動的障害物回避において明らかな利点があることを示しています。

要約(オリジナル)

This Paper proposes a novel Transformer-based end-to-end autonomous driving model named Detrive. This model solves the problem that the past end-to-end models cannot detect the position and size of traffic participants. Detrive uses an end-to-end transformer based detection model as its perception module; a multi-layer perceptron as its feature fusion network; a recurrent neural network with gate recurrent unit for path planning; and two controllers for the vehicle’s forward speed and turning angle. The model is trained with an on-line imitation learning method. In order to obtain a better training set, a reinforcement learning agent that can directly obtain a ground truth bird’s-eye view map from the Carla simulator as a perceptual output, is used as teacher for the imitation learning. The trained model is tested on the Carla’s autonomous driving benchmark. The results show that the Transformer detector based end-to-end model has obvious advantages in dynamic obstacle avoidance compared with the traditional classifier based end-to-end model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google