[论文解读] Self Driving RC Car using Behavioral Cloning

Aliasgar Haji, Priyam Shah+1 more|arXiv (Cornell University)|Oct 10, 2019

Autonomous Vehicle Technology and Safety参考文献 1被引用 4

一句话总结

本文提出了一种使用行为克隆的自动驾驶遥控车系统，其中深度神经网络通过示范视频学习模仿人类驾驶行为。通过在摄像头图像和对应转向角度上进行训练，该模型实现了在赛道上的自主导航，在现实环境中表现出稳定性能，且人工干预极少。

ABSTRACT

Self Driving Car technology is a vehicle that guides itself without human conduction. The first truly autonomous cars appeared in the 1980s with projects funded by DARPA( Defense Advance Research Project Agency ). Since then a lot has changed with the improvements in the fields of Computer Vision and Machine Learning. We have used the concept of behavioral cloning to convert a normal RC model car into an autonomous car using Deep Learning technology

研究动机与目标

• 开发一种低成本、易获取的自动驾驶系统，采用行为克隆技术用于教育和研究目的。
• 展示在真实时间视觉和控制数据上端到端训练深度学习模型的可行性，数据源自遥控车。
• 仅通过人类驾驶示范的模仿学习，实现在预设赛道上的自主导航。
• 在硬件和计算资源极少的条件下，验证行为克隆在真实世界机器人控制场景中的有效性。

提出的方法

• 系统使用卷积神经网络（CNN）处理前向摄像头图像作为输入。
• 记录人类驾驶示范，捕捉图像数据和对应的转向角度。
• 使用数据集监督训练深度学习模型，以实现从观测到动作（转向指令）的映射。
• 将训练好的模型部署在遥控车的车载计算机上，以实现实时转向决策。
• 网络架构设计用于实时推理，优先考虑在嵌入式硬件上的速度和效率。
• 应用数据增强和归一化技术，以提高策略的泛化能力和鲁棒性。

实验结果

研究问题

• RQ1 行为克隆能否有效利用仅有人类示范数据训练遥控车在赛道上自主行驶？
• RQ2 在模仿数据上训练的深度学习模型在真实世界驾驶条件下的泛化能力如何？
• RQ3 端到端学习系统在闭环赛道上的稳定性与准确性表现如何？
• RQ4 系统在推理过程中如何应对光照和赛道条件的变化？

主要发现

• 该模型成功仅通过人类示范的行为克隆学习，便在预设赛道上实现了导航。
• 系统表现出稳定且持续的驾驶行为，未出现频繁碰撞或失控现象。
• 在嵌入式硬件上的部署实现了实时推理，使遥控车能够实现响应迅速的控制。
• 在不同光照条件下性能表现稳健，表明模仿策略具备良好的泛化能力。