PulseAugur
中
实时 08:53:47
English(EN) Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models

新方法使用生成世界模型改进自动驾驶模仿学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的方法，使用潜在空间生成世界模型来解决自动驾驶模仿学习中的协变量偏移问题。该方法采用基于Transformer的感知编码器，具有多视图交叉注意力和学习到的场景查询。所提出的策略通过与人类演示状态对齐来有效减轻协变量偏移，从而实现错误恢复并处理超出训练分布的扰动。在CARLA模拟器和NVIDIA的DRIVE Sim中的评估表明，与现有的最先进方法相比有了显著改进。 AI

影响 这项研究通过改进自动驾驶系统从演示中学习和从错误中恢复的方式，可能带来更强大、更安全的自动驾驶系统。

排序理由 这是一篇详细介绍新颖技术方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新方法使用生成世界模型改进自动驾驶模仿学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Alexander Popov, Alperen Degirmenci, David Wehr, Shashank Hegde, Ryan Oldja, Alexey Kamenev, Bertrand Douillard, David Nist\'er, Urs Muller, Ruchi Bhargava, Stan Birchfield, Nikolai Smolyanskiy ·

    Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models

    arXiv:2409.16663v5 Announce Type: replace-cross Abstract: We propose the use of latent space generative world models to address the covariate shift problem in autonomous driving. A world model is a neural network capable of predicting an agent's next state given past states and a…

相关实体

相关话题