End-to-End Driving via Self-Supervised Imitation Learning Using Camera and LiDAR Data

要約

自動運転では、センサーデータから車両の制御信号を直接予測するエンドツーエンド（E2E）運転アプローチが急速に注目を集めています。
安全な E2E 運転システムを学習するには、大量の運転データと人間の介入が必要です。
車両制御データは人間の長時間の運転によって構築されるため、大規模な車両制御データセットを構築するのは困難です。
多くの場合、公開されている走行データセットは限られた走行シーンで収集されており、車両制御データの収集は自動車メーカーのみが利用できます。
これらの課題に対処するために、このレターでは、自己教師あり回帰学習フレームワークに基づいた、E2E 運転向けの初の完全自己教師あり学習フレームワークである自己教師あり模倣学習 (SSIL) を提案します。
提案された SSIL フレームワークは、運転コマンド データを使用せずに E2E 運転ネットワークを学習できます。
提案された SSIL は、擬似操舵角データを構築するために、光検出センサーと測距センサーで推定された現在および過去の時点での車両の姿勢から擬似目標を予測します。
さらに、高度な指示に応じて運転コマンドを予測する 2 つの修正された E2E 運転ネットワークを提案します。
3 つの異なるベンチマーク データセットを使用した数値実験により、提案された SSIL フレームワークが教師あり学習の対応物と非常に匹敵する E2E 運転精度を達成することが実証されました。

要約(オリジナル)

In autonomous driving, the end-to-end (E2E) driving approach that predicts vehicle control signals directly from sensor data is rapidly gaining attention. To learn a safe E2E driving system, one needs an extensive amount of driving data and human intervention. Vehicle control data is constructed by many hours of human driving, and it is challenging to construct large vehicle control datasets. Often, publicly available driving datasets are collected with limited driving scenes, and collecting vehicle control data is only available by vehicle manufacturers. To address these challenges, this letter proposes the first fully self-supervised learning framework, self-supervised imitation learning (SSIL), for E2E driving, based on the self-supervised regression learning framework. The proposed SSIL framework can learn E2E driving networks without using driving command data. To construct pseudo steering angle data, proposed SSIL predicts a pseudo target from the vehicle’s poses at the current and previous time points that are estimated with light detection and ranging sensors. In addition, we propose two modified E2E driving networks that predict driving commands depending on high-level instruction. Our numerical experiments with three different benchmark datasets demonstrate that the proposed SSIL framework achieves very comparable E2E driving accuracy with the supervised learning counterpart.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google