《End-to-end Driving via Conditional Imitation Learning》
本篇论文出发点：
本文主要贡献:
知识点介绍：
本文方法介绍： 首先我们要思考下为什么模仿学习还没有扩展到完全自主的城市驾驶呢？一个限制在于假设最佳行为可以仅通过感知输入推导出来。而在实际应用中，这一假设往往不成立：例如，当汽车接近一个路口时，仅通过摄像头输入并不足以预测汽车应当左转、右转或直行。从数学上讲，图像到控制命令的映射不再是一个函数。因此，拟合一个函数逼近器注定会遇到困难。可想而知，用模仿学习训练的模型在这种场景下必定会造成行驶方向的来回摆动。即使模型能够在某个行动方向上解决这一模糊性，乘客却没有渠道来控制模型的决策，模型的输出可能并不是乘客所期望的。 本文通过条件模仿学习来应对此挑战。在训练时，模型不仅获得感知输入和控制信号，还得到一个表示专家意图的输入。在测试时，网络可以接收到相应的命令，从而解决感知-运动映射中的模糊性，并允许乘客或拓扑规划器控制训练好的模型，就像地图应用和乘客给人类驾驶员提供转向指令一样。
总结：
更多精彩内容，欢迎大家关注微信公众号“自动驾驶新视界”。
到此这篇onenet论文（mobilenetv1论文）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！
版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/bcyy/50012.html