摘要
许多现有的端到端转向角预测模型的训练严重依赖转向角作为监督信号。由于缺乏从更丰富的上下文中学习，这些方法在面对急转弯、复杂交通状况、强阴影和剧烈光照变化时容易出现问题。本文中，我们通过异构辅助网络特征模仿这一新的有效训练方法，显著提高了预测的准确性和鲁棒性，该方法除了转向方向外，还提供了更为丰富的上下文信号。具体而言，我们通过从多个执行相关但不同任务（如图像分割或光流估计）的异构辅助网络中提取多层知识来训练我们的转向角预测模型。与多任务学习不同，我们的方法不需要对目标集进行昂贵的相关任务注释。这是通过在目标集上应用现代现成的网络，并在转换后模仿它们在不同层中的特征实现的。训练完成后，辅助网络被丢弃，不会影响我们模型的运行效率。我们的方法在Udacity和Comma.ai数据集上取得了新的最佳性能，分别比之前的最佳结果提高了12.8%和52.1%。此外，在Berkeley Deep Drive（BDD）数据集上也展示了令人鼓舞的结果。