动态条件模仿学习自动驾驶算法研究

摘要

针对自动驾驶领域当前条件模仿学习模型在动态环境下表现较差的问题,提出了一种使用LSTM网络融合历史视觉信息的动态条件模仿学习模型DCIL(Dynamic Conditional Imitation Learning)。首先DCIL通过残差网络Resnet34进行环境感知得到图像特征,再将连续的4帧历史图像特征通过LSTM网络进行特征融合,得到动态环境的特征向量。针对不同的导航条件,使用不同的决策网络预测车辆速度和方向盘角度;最后使用比例积分控制模型控制车速。在自动驾驶仿真平台CARLA上的测试结果表明DCIL与经典模仿学习方法相比,自动驾驶水平大幅提高,动态环境下避障能力显著增强。