本研究では、専門家の軌跡データを活用し、安全上重要な走行シナリオを効果的に拡張する手法を提案している。
まず、自己符号化器を用いて軌跡データをクラスタリングし、少数派ながら安全上重要なシナリオを抽出する。次に、同一クラスター内の軌跡を幾何学的変換により新たな軌跡を生成する。生成された軌跡は、安全性や快適性などの基準を満たす場合にのみ、学習データに追加される。
実験の結果、提案手法を用いて学習データを拡張することで、都市部および高速道路の走行シナリオにおいて、模倣学習モデルの閉ループパフォーマンスが大幅に向上することが示された。定量的な指標の改善に加え、生成された軌跡に基づいて学習したモデルは、質的にも優れた挙動を示すことが確認された。
本手法は、専門家の軌跡データの特性を保ちつつ、安全上重要なシナリオを効果的に拡張することで、模倣学習モデルの一般化性能を向上させることに成功している。
Vers une autre langue
à partir du contenu source
arxiv.org
Questions plus approfondies