Studio della clonazione del comportamento a partire da poche dimostrazioni per la guida autonoma con vista dall’alto in città simulate

Abstract degli autori

Questo articolo esamina l’uso della clonazione del comportamento (BC) per la guida autonoma da una prospettiva con vista dall’alto (BEV) in ambienti urbani simulati. La BC usa l’apprendimento supervisionato per imitare i comportamenti di guida di esperti. Studi precedenti hanno applicato la BC nel simulatore CARLA, ma non hanno affrontato pienamente le difficoltà legate al rispetto dei semafori. Il nostro approccio migliora la BC integrando uno stimatore di densità a kernel che modifica i pesi degli esempi di addestramento in base alla densità delle azioni. Questo favorisce l’apprendimento di azioni rare ma cruciali, come fermarsi al rosso e accelerare al verde, soprattutto quando le dimostrazioni fornite dagli esperti sono poche. Usando input BEV, che offrono una rappresentazione astratta dall’alto dell’ambiente di guida, il nostro metodo semplifica l’apprendimento della politica di guida. La rete neurale convoluzionale (CNN) addestrata produce comandi di sterzo e accelerazione sulla base di questi input BEV e di ulteriori variabili di stato. I risultati sperimentali nel simulatore CARLA mostrano che il nostro metodo di BC ponderata migliora significativamente le prestazioni di guida, raggiungendo un maggiore completamento dei percorsi rispetto alla BC standard. Questo approccio ponderato si è rivelato cruciale per apprendere comportamenti di guida corretti, in particolare in ambienti di test non incontrati durante l’addestramento, evidenziando il suo potenziale per migliorare la navigazione dei veicoli autonomi.