Conditional Imitation Learning for Autonomous Driving : Comparing two approaches

Abstract: Syftet med denna studie var att bygga, träna och testa two olika självkörande agenter med hjälp av maskininlärningstekniker, specifikt neurala nätverk. För att träna agenterna användes en teknik kallad Imitationsinlärning. Imitationsinlärning är en teknik för att lära agenter sekventiell beslutsfattning genom demostrering från en expert (vanligtvis en människa). Två något olika nätverksarkitekturer jämfördes. Skillnaden mellan dessa var att den kontrollmodul för en specifik intention (vilket här betecknar t.ex. åt vilket håll man ska köra i en korsning) var placerad antingen tidigt eller sent i det neurala nätverket. Testningen av de tränade modellerna observerade körningsförmåga såsom antalet lyckade intentioner och hastighet. Den tidiga modellen hade en signifikant högre hastighet än den sena modellen och verkade också köra generellt “bättre” än den sena modellen dock utan signifikans från den statistiska utvärderingen. Detta kan vara en effekt av en för liten stickprovstorlek, vilket kunde åtgärdats med användning av andra verktyg vid träning och testning. Det upptäcktes också att den tidiga modellens gas-värden som ackumulerades under testningen, var närmare expertens gas-distribution.