【标题】Carl-Lead: Lidar-based End-to-End Autonomous Driving with Contrastive Deep Reinforcement Learning

【作者团队】Peide Cai, Sukai Wang, Hengli Wang, Ming Liu

【发表日期】2021.9.17

【论文链接】https://arxiv.org/pdf/2109.08473.pdf

【推荐理由】在不受管制的十字路口的城市人群中自动驾驶具有挑战性，应仔细考虑动态遮挡和其他车辆的不确定行为。传统方法是启发式的，基于手工设计的规则和参数，但在新情况下的扩展性很差。因此，在所有可预见的场景中，它们都需要高昂的人力成本来设计和维护规则。最近，深度强化学习（DRL）在城市驾驶场景中显示出有希望的结果。然而，众所周知，DRL 是样本效率低下的，而且以前的大多数工作都假设完美的观察结果，例如地面真实位置和车辆的运动，而没有考虑噪声和遮挡，这对于策略部署来说可能是一个过于强硬的假设。本文使用 DRL 来训练基于激光雷达的端到端驾驶策略，这些策略自然会考虑不完美的部分观察。通过进一步使用无监督的对比表示学习作为辅助任务来提高样本效率。比较评估结果表明，该方法比最先进的（SOTA）基于激光雷达的端到端驱动网络实现了更高的成功率，比精心调整的基于规则的方法在安全性和效率之间取得了更好的权衡，并且比基线更好地推广到新场景。

内容中包含的图片若涉及版权问题，请及时与我们联系删除