End-to-End Steering for Autonomous Vehicles via Conditional Imitation Co-Learning

要約

自動運転には、データ融合、物体と車線の検出、行動予測、経路計画などの複雑なタスクが含まれます。
これらの各タスクに取り組むために個別のサブシステムを専用にするモジュール式アプローチとは対照的に、エンドツーエンド アプローチでは、ディープ ニューラル ネットワークを使用して問題を単一の学習可能なタスクとして扱い、システムの複雑さを軽減し、ヒューリスティックへの依存を最小限に抑えます。
条件付き模倣学習 (CIL) は、車両を目的地に到達するように誘導するナビゲーション コマンドを考慮した人間の専門家を模倣するようにエンドツーエンド モデルをトレーニングします。CIL は、各ナビゲーション コマンドの運転タスクを学習するための専用の専門ネットワーク ブランチを採用します。
それにもかかわらず、CIL モデルは、目に見えない環境に展開する場合には一般化が欠けていました。
この研究では、条件付き模倣共学習 (CIC) アプローチを導入し、ゲート ハイパーボリック タンジェント ユニット (GTU) によって生成された共学習行列を介してモデルが CIL 専門ブランチ間の関係を学習できるようにすることで、この問題に対処します。
さらに、ステアリング回帰問題を分類として提起することを提案します。回帰と分類の間のギャップを埋めるために分類-回帰ハイブリッド損失を使用します。また、ステアリング クラス間の空間傾向を考慮するために共存確率を使用することも提案します。
私たちのモデルは、CIL 手法と比較して、目に見えない環境における自動運転の成功率を平均 62% 向上させることが実証されています。

要約(オリジナル)

Autonomous driving involves complex tasks such as data fusion, object and lane detection, behavior prediction, and path planning. As opposed to the modular approach which dedicates individual subsystems to tackle each of those tasks, the end-to-end approach treats the problem as a single learnable task using deep neural networks, reducing system complexity and minimizing dependency on heuristics. Conditional imitation learning (CIL) trains the end-to-end model to mimic a human expert considering the navigational commands guiding the vehicle to reach its destination, CIL adopts specialist network branches dedicated to learn the driving task for each navigational command. Nevertheless, the CIL model lacked generalization when deployed to unseen environments. This work introduces the conditional imitation co-learning (CIC) approach to address this issue by enabling the model to learn the relationships between CIL specialist branches via a co-learning matrix generated by gated hyperbolic tangent units (GTUs). Additionally, we propose posing the steering regression problem as classification, we use a classification-regression hybrid loss to bridge the gap between regression and classification, we also propose using co-existence probability to consider the spatial tendency between the steering classes. Our model is demonstrated to improve autonomous driving success rate in unseen environment by 62% on average compared to the CIL method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google