[论文解读] Learning Accurate, Comfortable and Human-like Driving

Simon Hecker, Dengxin Dai+1 more|arXiv (Cornell University)|Mar 26, 2019

Autonomous Vehicle Technology and Safety参考文献 49被引用 20

一句话总结

本文提出了一种端到端深度学习框架，通过结合高保真地图数据、基于序列的学习方法和对抗性训练，联合优化准确性、乘客舒适度和类人驾驶行为，从而提升自动驾驶性能。该模型在Drive360数据集上表现优异，在准确性、驾驶舒适度和类人驾驶行为方面均优于先前方法。

ABSTRACT

Autonomous vehicles are more likely to be accepted if they drive accurately, comfortably, but also similar to how human drivers would. This is especially true when autonomous and human-driven vehicles need to share the same road. The main research focus thus far, however, is still on improving driving accuracy only. This paper formalizes the three concerns with the aim of accurate, comfortable and human-like driving. Three contributions are made in this paper. First, numerical map data from HERE Technologies are employed for more accurate driving; a set of map features which are believed to be relevant to driving are engineered to navigate better. Second, the learning procedure is improved from a pointwise prediction to a sequence-based prediction and passengers' comfort measures are embedded into the learning algorithm. Finally, we take advantage of the advances in adversary learning to learn human-like driving; specifically, the standard L1 or L2 loss is augmented by an adversary loss which is based on a discriminator trained to distinguish between human driving and machine driving. Our model is trained and evaluated on the Drive360 dataset, which features 60 hours and 3000 km of real-world driving data. Extensive experiments show that our driving model is more accurate, more comfortable and behaves more like a human driver than previous methods. The resources of this work will be released on the project page.

研究动机与目标

• 正式化并整合自动驾驶中的三个关键目标：准确性、乘客舒适度和类人驾驶行为。
• 通过利用HERE Technologies提供的高保真数值地图数据，并提取与驾驶决策相关的地图特征，提升驾驶准确性。
• 通过将驾驶建模为基于序列的预测任务，并在损失函数中引入纵向和横向加速度振荡最小化，实现对乘客舒适度的建模。
• 通过引入对抗性损失，训练一个判别器以区分人类驾驶与机器驾驶轨迹，从而促使模型模仿人类驾驶模式，提升类人驾驶行为。
• 在真实世界驾驶数据集上评估集成框架，并证明其在准确性、乘客舒适度和类人驾驶行为三个维度上均优于先前方法。

提出的方法

• 该模型使用HERE Technologies提供的高分辨率数值地图数据，提取与驾驶相关的特征，如道路类型、限速、交通灯、人行横道和路口几何结构。
• 采用基于序列的学习方法替代点对点回归，通过建模转向和速度预测中的时间依赖性，提升驾驶平顺性与舒适度。
• 通过损失函数嵌入乘客舒适度，最小化纵向和横向加速度的振荡，降低晕动症风险。
• 引入对抗性训练组件，训练一个判别器网络以识别驾驶轨迹是来自人类驾驶员还是学习到的模型，同时训练生成器以欺骗判别器。
• 整体训练目标结合了三种损失：用于准确性的标准回归损失、用于驾驶平顺性的舒适度损失，以及用于类人驾驶行为的对抗性损失。
• 该框架在Drive360数据集上进行训练和评估，该数据集包含60小时和3,000公里的真实世界驾驶数据，附带丰富的传感器和地图标注信息。

实验结果

研究问题

• RQ1 高保真地图数据是否能显著提升端到端驾驶模型的准确性和鲁棒性？
• RQ2 与点对点回归相比，基于序列的学习结合舒适度感知损失函数在驾驶质量与乘客晕动症方面有何影响？
• RQ3 在没有显式模仿人类示范的情况下，对抗性训练在多大程度上可用于学习类人驾驶行为？
• RQ4 是否能够通过统一的学习框架，在单一端到端模型中同时优化驾驶准确性、乘客舒适度和类人驾驶行为？
• RQ5 当前驾驶模型在复杂道路场景下的失效模式是什么？地图特征工程在诊断和提升性能方面有何帮助？

主要发现

• HERE提供的地图特征集成显著提升了驾驶准确性，尤其在变道和转弯等复杂操作中表现突出，定性对比结果清晰显示了这一点。
• 基于序列的学习方法有效降低了纵向和横向加速度的振荡，使驾驶轨迹更加平滑，与乘客不适感降低密切相关。
• 对抗性损失组件成功促使模型生成更难被判别器与人类驾驶区分开的轨迹，显著提升了类人驾驶行为的表现。
• 错误诊断显示，模型在高复杂度场景（如路口和弯道）中表现较差，凸显了未来改进的潜在方向。
• 定量评估表明，所提模型在三项指标上均优于先前方法：转向和速度预测误差更低，振荡幅度减小，类人驾驶评分更高。
• 该模型在未见道路属性上展现出优越的泛化能力，归一化误差率在不同限速、道路类型和路口类型下均保持一致的高性能表现。