補正行動拡張とマルチスケール模倣学習による歩道自動運転の実現
Learning Sidewalk Autopilot from Multi-Scale Imitation with Corrective Behavior Expansion
歩道向け小型モビリティの自動運転制御を、補正行動データの追加とマルチスケール模倣学習アーキテクチャにより強化し、実世界での堅牢性と汎化性を向上させた。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Honglin He, Yukai Ma, Brad Squicciarini, Wayne Wu, Bolei Zhou
分類: cs.RO, cs.CV
原文アブストラクト
Sidewalk micromobility is a promising solution for last-mile transportation, but current learning-based control methods struggle in complex urban environments. Imitation learning (IL) learns policies from human demonstrations, yet its reliance on fixed offline data often leads to compounding errors, limited robustness, and poor generalization. To address these challenges, we propose a framework that advances IL through corrective behavior expansion and multi-scale imitation learning. On the data side, we augment teleoperation datasets with diverse corrective behaviors and sensor augmentations to enable the policy to learn to recover from its own mistakes. On the model side, we introduce a multi-scale IL architecture that captures both short-horizon interactive behaviors and long-horizon goal-directed intentions via horizon-based trajectory clustering and hierarchical supervision. Real-world experiments show that our approach significantly improves robustness and generalization in diverse sidewalk scenarios.
関連論文
- 実車テストに基づく模倣学習による自動運転の設計と評価模倣学習/自動運転
- CCIL: 都市運転のための文脈条件付き模倣学習模倣学習/自動運転
- 安全運転のための並列化・ランダム化敵対的模倣学習模倣学習/自動運転
- クエリ効率の良い模倣学習によるEnd-to-End自動運転模倣学習/自動運転
