What Matters to Enhance Traffic Rule Compliance of Imitation Learning for Automated Driving

要約

最近では、構造が単純で推論時間が速いため、駆動パイプライン全体が単一のニューラル ネットワークに置き換えられるエンドツーエンドの自動運転技術に研究の注目が集まっています。
この魅力的なアプローチにより、駆動パイプライン内のコンポーネントが大幅に削減されるにもかかわらず、その単純さは解釈可能性の問題や安全性の問題にもつながります。
トレーニングされたポリシーが必ずしも交通ルールに準拠しているとは限りません。また、中間出力がないため、不正行為の理由を発見することも困難です。
一方、センサーは、自動運転の安全性と、複雑な運転シナリオ下で周囲の環境を認識する実現可能性にとっても重要です。
この論文では、エンドツーエンドの自動運転の全体的なパフォーマンスを向上させるために、クロスセマンティクス生成センサーフュージョン技術を使用したペナルティベースの模倣学習アプローチである P-CSG を提案しました。
この方法では、赤信号、一時停止標識、曲率速度ペナルティの 3 つのペナルティを導入して、エージェントが交通規則に対してより敏感になるようにします。
提案されたクロスセマンティクス生成は、さまざまな入力モダリティからの共有情報を調整するのに役立ちます。
CARLA リーダーボードである Town 05 Long ベンチマークと Longest6 ベンチマークを使用してモデルのパフォーマンスを評価し、驚くべき運転スコアの向上を達成しました。
さらに、FGSM やドット攻撃などの敵対的攻撃に対する堅牢性評価を実施したところ、ベースライン モデルと比較して堅牢性が大幅に向上していることが明らかになりました。
コードベースのリソースやビデオなどの詳細情報は、https://hk-zh.github.io/p-csg-plus でご覧いただけます。

要約(オリジナル)

More research attention has recently been given to end-to-end autonomous driving technologies where the entire driving pipeline is replaced with a single neural network because of its simpler structure and faster inference time. Despite this appealing approach largely reducing the components in the driving pipeline, its simplicity also leads to interpretability problems and safety issues. The trained policy is not always compliant with the traffic rules and it is also hard to discover the reason for the misbehavior because of the lack of intermediate outputs. Meanwhile, sensors are also critical to autonomous driving’s security and feasibility to perceive the surrounding environment under complex driving scenarios. In this paper, we proposed P-CSG, a penalty-based imitation learning approach with cross semantics generation sensor fusion technologies to increase the overall performance of end-to-end autonomous driving. In this method, we introduce three penalties – red light, stop sign, and curvature speed penalty to make the agent more sensitive to traffic rules. The proposed cross semantics generation helps to align the shared information from different input modalities. We assessed our model’s performance using the CARLA leaderboard – Town 05 Long benchmark and Longest6 Benchmark, achieving an impressive driving score improvement. Furthermore, we conducted robustness evaluations against adversarial attacks like FGSM and Dot attacks, revealing a substantial increase in robustness compared to baseline models. More detailed information, such as code base resources, and videos can be found at https://hk-zh.github.io/p-csg-plus.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google