What Matters to Enhance Traffic Rule Compliance of Imitation Learning for End-to-End Autonomous Driving

要約

エンドツーエンドの自動運転は、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もので、構造が単純で推論時間が速いため、最近研究の注目を集めています。
この魅力的なアプローチにより、運転パイプラインの複雑さは大幅に軽減されますが、訓練されたポリシーが常に交通ルールに準拠しているとは限らないため、安全性の問題にもつながります。
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、対比ベースの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備え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の共有情報を調整するのに役立ちます。
CARLA Leaderboard – Town 05 Long Benchmark および Longest6 Benchmark を使用してモデルのパフォーマンスを評価し、ベースラインと比較して 8.5% および 2.0% の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、他のベースライン 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。
詳細については、https://hk-zh.github.io/p-csg-plus をご覧ください。

要約(オリジナル)

End-to-end autonomous driving, where the entire driving pipeline is replaced with a single neural network, has recently gained research attention because of its simpler structure and faster inference time. Despite this appealing approach largely reducing the complexity in the driving pipeline, it also leads to safety issues because the trained policy is not always compliant with the traffic rules. In this paper, we proposed P-CSG, a penalty-based imitation learning approach with contrastive-based 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 of different input modalities. We assessed our model’s performance using the CARLA Leaderboard – Town 05 Long Benchmark and Longest6 Benchmark, achieving 8.5% and 2.0% driving score improvement compared to the baselines. Furthermore, we conducted robustness evaluations against adversarial attacks like FGSM and Dot attacks, revealing a substantial increase in robustness compared to other baseline models. More detailed information 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