[论文笔记]Agile Autonomous Driving using End-to-End Deep Imitation Learning

最新推荐文章于 2024-06-09 10:03:48 发布
最新推荐文章于 2024-06-09 10:03:48 发布
阅读量409 收藏
点赞数 2
分类专栏： 笔记 文章标签： 自动驾驶 人工智能 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43146899/article/details/121778433
版权
本文探讨了使用在线和批量深度模仿学习训练策略进行敏捷自动驾驶，与模型预测控制（MPC）方法相比，深度神经网络（DNN）策略能学习到图像的低级和高级特征，且在线IL在性能上优于批量IL。研究发现，将速度信息纳入训练数据可以提高DNN策略的性能。此外，文章还列举了不同类型的自动驾驶方法，包括模仿学习和基于视觉的方法。
摘要由CSDN通过智能技术生成

Agile Autonomous Driving using End-to-End Deep Imitation Learning

2018_RSS

从经验上讲，使用在线模仿学习训练的策略比使用批量模仿学习训练的策略克服了与协变量偏移相关的挑战，并且具有更好的概括性。

传统方法：plan-then-act 具有挑战性 ，因为很难充分描述机器与环境的相互作用。

AutoRally汽车-没有任何状态估算器或在线计划，但具有直接输入来自低成本单筒摄像机和轮速传感器的测量值的DNN策略：驾驶平均速度为6 m / s，最高速度为8 m / s（相当于全尺寸汽车为108 km / h和144 km / h）

MPC方法的一些缺点：规划所需的计算成本高昂的优化必须在线进行高频处理，这对于在几圈后在轨道上导航车辆来说是重复的。状态估计也需要精确的GPS和IMU反馈，

使用IL做自动驾驶：如果专家是人类，那么在线IL所需的假设就很难在实际的公路驾驶任务中实现。在越野驾驶任务中尤其如此，因为人类驾驶员在很大程度上依赖汽车的即时反馈来克服随机干扰。因此，例如，逐帧标记方法[26]可能会导致非常违反直觉的，效率低下的数据收集过程，因为所需的动态信息会丢失在单个图像帧中。总的来说，当使用人类演示时，在线IL可能与批处理IL一样糟糕[14]，这仅仅是由于人为因素引起的不一致

batch IL and online IL

总体而言，使用在线IL和批处理IL算法训练的DNN策略能够达到与MPC专家相似的速度。但是，在使用相同数量的培训数据的情况下，使用在线IL进行培

最低0.47元/天 解锁文章
CwwwwS
关注
  • 2
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Reinforcement Learning强化学习系列之一：model-based learning
luchi007的专栏
09-03 1万+
前言在机器学习和深度学习坑里呆了有一些时日了，在阿里实习过程中，也感觉到了工业界和学术界的一些迥异，比如强化学习在工业界用的非常广泛，而自己之前没有怎么接触过强化学习的一些知识，所以感觉还是要好好的补一补更新一下自己的知识库，以免被AI时代抛弃。强化学习初识强化学习要素强化学习可以用下面这张图表示： 从上图可以看出，强化学习的要素是： 1. Agent（图中指大脑） 2. Environm
【论文翻译】End-to-end Driving via Conditional Imitation Learning
weixin_40523230的博客
05-18 1648
I. INTRODUCTION 为什么模仿学习没有扩展到完全自主的城市驾驶？模仿学习的一个假设是：最优action可以直接从observation中推断出来。但实际上这个假设并不成立，比如说：“当汽车接近十字路口时，摄像机的图像不足以预测该汽车应该左转、右转还是直行”。从数学上讲，从图像到控制命令的映射不再是一对一的函数映射。因此，用神经网络处理时候会遇到困难，导致震荡。就算神经网络可以...
笔记：End-to-End Differentiable Adversarial Imitation Learning
qq_33321762的博客
12-21 487
论文笔记 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言GANGenerative Adversarial Imitation LearningModel-based Generative Adversarial Imitation Learning(MGAIL)实验结果 前言 End-to-End Differentiable Adversa
推荐项目：基于IsaacGym的Model Predictive Path Integral控制器
最新发布
gitblog_00034的博客
06-09 267
推荐项目：基于IsaacGym的Model Predictive Path Integral控制器 项目地址:https://gitcode.com/tud-airlab/mppi-isaac 项目介绍 这个开源项目提供了一个使用IsaacGym作为动态模型的Model Predictive Path Integral（MPPI）控制器实现。通过该项目，您可以解决各种任务，并且设计为可扩展和重用，...
必看，61篇NeurIPS深度强化学习论文解读都这里了
AI科技大本营
09-12 1828
作者 |DeepRL来源 |深度强化学习实验室（ID: Deep-RL）NeurIPS可谓人工智能年度最大盛会。每年全球的人工智能爱好者和科学家都会在这里聚集，发布最...
Agile-Data-Warehouse-Design-From-Business-Models-to-BI-Models.pdf
05-11
本文档标题《Agile-Data-Warehouse-Design-From-Business-Models-to-BI-Models.pdf》直译为《敏捷数据仓库设计：从业务模型到BI模型》，表明这是一份关于数据仓库设计的资料，着重讲解如何从理解企业业务模型出发，...
learning-agile.zip
04-03
综上所述，"learning-agile.zip"中的资料涵盖了敏捷开发的基本概念、Scrum、极限编程和看板方法等关键知识，对于想要深入了解和应用敏捷开发的人来说是一份宝贵的资源。通过学习这些内容，可以提升项目管理能力，更...
"Sim-to-Real: Learning Agile Locomotion For Quadruped Robots"代码
02-09
本文将深入探讨"Sim-to-Real: Learning Agile Locomotion For Quadruped Robots"这一主题，主要基于提供的代码库sim2real_code，来阐述如何通过模拟训练实现四足机器人的敏捷行走。 一、四足机器人敏捷行走的挑战 ...
Sim-to-Real: Learning Agile Locomotion For Quadruped Robots 笔记
08-04
Sim-to-Real: Learning Agile Locomotion For Quadruped Robots笔记 Sim-to-Real: Learning Agile Locomotion For Quadruped Robots笔记 Sim-to-Real: Learning Agile Locomotion For Quadruped Robots 笔记
MPPIController:机器人控制课程项目
05-19
控制项目 主动驾驶的基于PI的随机最优控制研究及MPPI的实现 该项目作为RBE502-机器人控制的课程项目于2018年Spring在伍斯特理工学院提交。 课程页面 该项目将对模型预测路径积分（MPPI）控制进行研究，并将其应用于类似汽车的机器人的主动驾驶。 这主要基于 有关工作的更多详细信息，请查看此。 怎么跑 转到MATLAB中的matlab_implementation目录并运行 MPPI_Pendulum.m 结果
MPPI算法基本介绍
Y3_flybird的博客
12-19 2737
局部控制器是导航算法中非常重要的一个模块，常见的控制器包括纯跟踪控制器、延边控制器、TEB控制器、MPPI控制器等。MPPI是一个比较优秀的控制器，本文将对其做简要的介绍。MPPI通过多次模拟和路径积分的方法，考虑了不确定性和动态环境中的变化，生成机器人的最佳轨迹。这使得MPPI适用于需要实时规划的移动机器人，尤其是在面对动态环境和未知障碍物时。在Navigation2中，MPPI算法的实现为机器人提供了高效的路径规划能力。
推荐PyTorch MPPI实现：智能轨迹优化利器
gitblog_00028的博客
06-07 457
推荐PyTorch MPPI实现：智能轨迹优化利器 pytorch_mppiModel Predictive Path Integral (MPPI) with approximate dynamics implemented in pytorch项目地址:https://gitcode.com/gh_mirrors/py/pytorch_mppi 1、项目介绍 PyTorch MPPI Imp...
自动驾驶中的模型预测控制（Model Predictive Control）
frank的博客
04-08 6907
一、什么是模型预测控制（MPC） MPC主要用于车道线的追踪，保持车辆轨迹相对平稳。 MPC将车道追踪任务重构成一个寻找最优解的问题，优化问题的最优解就是最优的轨迹。我们每走一步都会按照目前的状态求解一个最优化的轨迹，然后按照轨迹走一步，紧接着继续按照传感器获得的新值继续求解最优轨迹，保证轨迹跟 我们要追踪的车道线的最大拟合。这个过程中，因为我们每动一步，就是一个时间片段，因为各种误差的存在，导致...
【模型】Model predictive control (MPC)控制策略简介
热门推荐
记笔记。
12-08 1万+
参考https://en.wikipedia.org/wiki/Model_predictive_control MPC 控制是一种高级的进程控制（process control）方法。用来控制进程使它满足一些限制条件。它依赖于过程的动态模型，通常这个模型是一个得到系统认证的经验的线性模型。 好处：MPC的主要优点是它允许优化当前时间点，同时考虑未来的时间点。这是通过优化有限时间范围，但仅实现...
模型预测控制（Model predictive control，MPC）
FL1717的博客
09-17 2506
然而，由于 MPC 不对线性度做任何假设，它可以处理硬约束以及非线性系统从其线性化操作点的迁移，这两者都是 LQR 的主要缺点。模型预测控制器通常着眼于固定长度、通常逐渐加权的误差函数集，而线性二次调节器则着眼于所有线性系统输入并提供传递函数，该传递函数将减少整个频谱的总误差，权衡状态误差针对输入频率。MPC 可以在这些固定点之间绘制一条路径，但不能保证解决方案的收敛性，特别是如果考虑到问题空间的凸性和复杂性已被忽略。模型预测控制和线性二次调节器都是最优控制的表达，具有不同的设置优化成本的方案。
0210更新【论文阅读目录】
这里是张聪明，正在学习中，请稍后
10-20 1363
开始做文献综述中... MPhil 第一年，导师方向 无人驾驶 所以就大方向早早确定 中方向自己很想做： Self-Driving End-to-End 端到端的输入输出，但是和师兄聊天得知这个领域很难在现实中实现（毕竟这种无知内部的输出开车撞人了咋办） 但是还是想先闯一番，那么第一步就开始了 -> 文献综述 Literature review
MIT 深度学习与自动驾驶公开课 Deep Learning for Self-Driving Cars 讲义梗概
自己的学习笔记
01-06 8745
课程资源 链接: https://pan.baidu.com/s/1jIKRmHC 密码: d7vfMIT今年的深度学习与自动驾驶课，课程比较短，只有五节课，是比较基础的概述。提纲整理如下： Introduction to Deep Learning and Self-Driving Cars Deep Reinforcement Learning for Motion Planning Lear
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值