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

要約

パターン認識およびコンピューター ビジョン テクノロジー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高い精度を達成しました。
これらの強固な基盤に基づいて、自動運転は交通とモビリティの未来に変革をもたらすことを目的とした重要な研究方向になりつつあります。
センサーは、自動運転の安全性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、多次元の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となっています。
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、モデルの交通ルールへの準拠を強化し、模倣学習の目的と自動運転の指標を統合するための、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