摘要
在本文中，我们提出了一种系统，该系统不仅从自车（ego-vehicle）收集的经验中学习驾驶策略，还从所有被观察到的其他车辆收集的经验中学习。该系统利用其他代理的行为来创建更多样化的驾驶场景，而无需额外收集数据。从其他车辆学习的主要难点在于缺乏传感器信息。我们通过一组监督任务来学习一种中间表示，这种表示对控制车辆的视角具有不变性。这不仅在训练时提供了更丰富的信号，还在推理过程中允许更复杂的推理。了解所有车辆的驾驶行为有助于在测试时预测其行为，并可以避免碰撞。我们在闭环驾驶模拟中评估了该系统。我们的系统在公开的CARLA排行榜上大幅超越了所有先前的方法，驾驶得分提高了25分，路线完成率提高了24个百分点。我们的方法赢得了2021年CARLA自动驾驶挑战赛。代码和数据可在https://github.com/dotchen/LAV 获取。注释：- 自车（ego-vehicle）：指自动驾驶汽车中的主车或参考车。- 中间表示（intermediate representation）：指在模型内部生成的一种抽象表示形式。- 不变性（invariant）：指某种特性或属性在特定变换下保持不变。- 闭环驾驶模拟（closed-loop driving simulations）：指在一个完整的反馈回路中进行的驾驶模拟实验。- CARLA排行榜（CARLA Leaderboard）：CARLA是一个用于自动驾驶研究的开源仿真平台，其排行榜记录了不同方法在自动驾驶任务上的表现。- 路线完成率（route completion rate）：指自动驾驶车辆成功完成预定路线的比例。