日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機站
  • 小程序

    汽車測試網(wǎng)

  • 公眾號

    • 汽車測試網(wǎng)

    • 在線課堂

    • 電車測試

英特爾&豐田聯(lián)合開源城市駕駛模擬器CARLA

2018-10-01 16:56:02·  來源：機器之心編譯  
　
英特爾實驗室聯(lián)合豐田研究院和巴塞羅那計算機視覺中心聯(lián)合發(fā)布 CALRA，用于城市自動駕駛系統(tǒng)的開發(fā)、訓練和驗證的開源模擬器，支持多種傳感模式和環(huán)境條件的靈活
英特爾實驗室聯(lián)合豐田研究院和巴塞羅那計算機視覺中心聯(lián)合發(fā)布 CALRA，用于城市自動駕駛系統(tǒng)的開發(fā)、訓練和驗證的開源模擬器，支持多種傳感模式和環(huán)境條件的靈活配置，論文中詳細評估并比較了三種自動駕駛方法的性能。
模擬器和配套的資源將會發(fā)布在官方網(wǎng)站：http://carla.org。
論文：CARLA：An Open Urban Driving Simulator
摘要：本文介紹一款用于自動駕駛研究的開源模擬器：CARLA。CARLA 的開發(fā)包括從最基礎的直到支持城市自動駕駛系統(tǒng)的開發(fā)、訓練和驗證。除了開源代碼和協(xié)議，CARLA 還提供了為自動駕駛創(chuàng)建的開源數(shù)字資源（包括城市布局、建筑以及車輛），這些資源都是可以免費獲取和使用的。這個模擬平臺能夠支持傳感套件和環(huán)境條件的靈活配置。我們使用 CARLA 來研究三種自動駕駛方法的性能：傳統(tǒng)的模塊化流水線，通過模仿學習訓練得到的端到端模型，通過強化學習訓練得到的端到端模型。這三種方法在難度遞增的受控環(huán)境中做了評估，并用 CARLA 提供的指標進行性能測試，表明 CARLA 可以用來進行自動駕駛的研究。在這個網(wǎng)址中可以看到補充的視頻：https://youtu.be/Hp8Dz-Zek2E。
圖 1：四種不同天氣下城市 2 中的一條街道（第三人稱視角）。從左上順時針開始：晴天、雨天、雨后、晴朗的黃昏。在補充視頻中可以看到模擬器中的錄像。
圖 2：CARLA 提供的三種不同模式的傳感。從左到右依次是：正常的攝像頭視覺、真實深度、真實語義分割。深度和語義分割是由支持控制感知作用實驗的偽傳感器提供的。額外的傳感器模型可以通過 API 接入。
 
我們在四個難度遞增的駕駛?cè)蝿罩販y評了這三種方法—模塊化的流水線（MP）、模仿學習（IL）、以及強化學習（RL），每個測評都分別在兩個不同的城市和六種天氣條件中進行。需要注意的是，我們在四個任務上對這三種方法的測試使用的是同一個智能體，并沒有為某個場景而單獨地去微調(diào)一個模型。任務被設置為目標導向的導航：智能體被初始化在城市的某個地方，然后它必須到達指定的目的點。在這些實驗中，允許智能體忽略速度限制和交通信號燈。我們遵循難度遞增的順序來安排這些任務，如下：
1. 直線：出發(fā)地點和目的地在同一條直線上，而且環(huán)境中也沒有運動的物體。平均行駛距離是：城市 1 中 200m，城市 2 中 100m。
2. 一次轉(zhuǎn)彎：從出發(fā)點到目的地需要一次轉(zhuǎn)彎；沒有運動的物體。平均行駛距離是：城市 1 中 400m，城市 2 中 170m。
3. 導航：沒有與出發(fā)點相關的目的地的嚴格限定，沒有運動的物體。距離目標的平均行駛距離是：城市 1 中 770m，城市 2 中 360m。
4. 具有運動障礙物的導航：與上一個的任務一樣，但是有運動的障礙物（包括車輛和行人）。
表 1：三種自動駕駛系統(tǒng)在目標導向?qū)Ш饺蝿罩械牧炕瘻y評。這張表記錄了在每一種環(huán)境下每個不同的方法成功完成某個任務中的片段所占的百分比，越高越好。被測試的三種方法分別是：模塊化流水線（MP）、模仿學習（IL）、以及強化學習（RL）。
表 1 記錄了在每一種環(huán)境下每個不同的方法成功完成某個任務中的片段所占的百分比。首先是訓練條件：城市 1，訓練天氣集。要注意，測試中和訓練過程中使用的起點和目標點是不一樣的：只有通用的環(huán)境和條件是一樣的。其他三種實驗條件均設置在具有挑戰(zhàn)性的泛化中：之前從未見過的城市 2 以及從未見過的訓練天氣集。
表 1 中的結(jié)果證明了以下結(jié)論?？傊?，即便是在直線行駛的任務中，三種方法都不是完美的，成功率隨著任務難度的增加急劇下降。泛化到新的天氣要比泛化到新的城市更加容易。模塊化流水線法和模擬學習的方法在大多數(shù)任務中的性能都平分秋色。強化學習方法的性能趕不上前兩者。我們現(xiàn)在更具體討論一下這四個關鍵結(jié)論（見原文）。
表 2：兩次違規(guī)行駛之間的平均行駛距離從（km）。數(shù)字越大，性能越好。
違規(guī)分析：CARLA 支持細粒度的駕駛規(guī)則分析。我們現(xiàn)在測試一下這三個系統(tǒng)在最難的任務上的行為：在具有運動障礙物的環(huán)境中導航。我們用這三種方法在五種不同類型的兩次違規(guī)間行駛的平均距離來描述它們的性能：在相反的車道上行駛，在人行道行駛，與其他車輛并道行駛，與行人并道行駛，碰到靜態(tài)物體。附錄中有具體細節(jié)。
表 2 記錄了在兩次違規(guī)行駛之間駕駛的平均距離（km）。所有的方法都在訓練的城市 1 中表現(xiàn)更好一些。對于所有的實驗條件，模仿學習偏離到對向車道的頻率是最低的，強化學習的質(zhì)量是最糟糕的。在偏向人行道的情況中也是類似的模式。令人驚訝的是，強化學習與行人沖突的頻率是最低的，也許這可以通過在這種碰撞中得到的巨大的負面回報來解釋。然而，強化學習智能體在避免與行駛的車輛以及靜態(tài)障礙物發(fā)生碰撞時不夠成功，而模塊化流水線方法通常能夠在這些測試中表現(xiàn)得最好。
這些結(jié)果突出了端到端方法對罕見事件的脆弱性：在訓練期間很少遇到急剎車或者急轉(zhuǎn)彎來避免與行人碰撞的情況。盡管可以在訓練期間加大這類事件的頻率以支持端到端訓練方法，但是為了得到在魯棒性上的重大突破，學習算法和模型架構(gòu)上的深層進展是很有必要的。
 
選自arXiv
機器之心編譯
參與：Nurhachu Null、劉曉坤
分享到：
 
反對 0 舉報 0 收藏 0 評論 0
滬ICP備11026917號-25