一种用于自动驾驶汽车速度控制的端到端模仿学习系统

Valeo是一家专注于汽车创新的科技公司，最近开发了一种用于汽车速度控制的端到端仿制学习系统。他们的方法在arXiv预先发表的论文中概述，使用具有长期短期记忆的神经网络(LSTM)，这是一种可以学习长期依赖性的递归神经网络(RNN)。

“法雷奥是自动驾驶汽车的传感器，耳朵和眼睛的世界领导者，并且已经取得了多项世界第一，例如最近对我们的Valeo Drive4U车辆的试验，这是第一辆在巴黎街头展示的自动驾驶汽车，”进行这项研究的研究人员之一Emilie Wirbel告诉TechXplore。“我的团队和我在该公司的56个研发中心之一工作，调查深度学习如何用于更好地决定和控制自动驾驶汽车。这项研究的目的是证明可以处理复杂的情况通过仅使用相机并从人类驾驶员可以做的事情中学习，可以在城市环境中遇到这种情况。“

由Wirbel及其同事开发的新系统采用了依赖于深度学习技术的人工神经网络(ANN)。该网络提供了一个人类操作汽车的演示，这些汽车是从正面摄像头拍摄的，因此非常类似于驾驶时人们所看到的。

然后训练神经网络模仿驾驶员的动作，特别是重点关注再现汽车的当前速度。例如，当输入图像包含50千米/小时的速度限制面板时，网络确保汽车的速度不会超过50公里/小时。

“当我们面前有另一辆车时，人类驾驶员会相应减速，网络也应该学会这样做，”Wirbel解释道。“我们的方法试图复制人类学习和驾驶的方式。网络只接收来自正面摄像机的信息，并且不需要明确的感知，例如，与交通灯或车道相关，就像人类驾驶员没有明确的模型，准确地说明了线条的位置以及它们的形状。“

在训练他们的神经网络后，Wirbel和她的同事在模拟环境中对其进行了测试，然后将其集成到真实的汽车中，在具有挑战性的测试轨道上评估其性能。他们发现他们的系统有效地应对复杂的情况，在必要时控制汽车的速度(例如在交通锥和急转弯时减速，在障碍物处停下来以及接近警告标志时等)。

“我们的研究证明，复杂的情况，例如工作区，意想不到的障碍等，只能通过观察人类会做什么然后在新的类似情况下再现它来处理，”Wirbel说。“这意味着只要我们有足够的演示数据，我们就可以处理人类驾驶员合理处理的用例。这可以用于复杂的交互情况，结合更经典的方法，使车辆能够始终如一地做出反应而且很聪明。“

Wirbel及其同事设计的系统取得了非常有希望的成果，很快就可以应用于自动驾驶汽车，从而实现更有效的速度控制和更直观的驾驶。研究人员正在计划将他们的概念证明扩展到更复杂的情况，教他们的系统处理与路上其他车辆的更广泛的交互，以及增加更复杂的机动，例如改变车道，在十字路口转弯，或者导航环形交叉路口。

“我们还希望研究系统的可解释性和与现有自动驾驶汽车的兼容性，向最终用户解释网络如何感知其环境及其决策的原因，”Wirbel补充说。“研究路线图非常广泛，因此我们参加并参与主要科学会议，以跟上该领域最新的发展现状。我们作为研发团队的角色也是为法雷奥的其余部分提供合适的权利。关键和专业知识，使我们的概念证明更接近生产。“