DriveAdapter: Überwindung der Kopplungsbarriere von Wahrnehmung und Planung in der end-to-end autonomen Fahrzeugsteuerung

Das Ziel des end-to-end autonomen Fahrens ist es, ein vollständig differenzierbares System zu entwickeln, das rohe Sensordaten als Eingaben verwendet und direkt die geplante Trajektorie oder die Steuersignale des Ego-Fahrzeugs ausgibt. Die neuesten Methoden folgen in der Regel dem Paradigma „Lehrer-Schüler“. Das Lehrer-Modell nutzt privilegierte Informationen (die wahren Zustände umliegender Akteure und Kartelemente), um die Fahrstrategie zu erlernen. Das Schüler-Modell hat nur Zugang zu rohen Sensordaten und führt Verhaltenskopierung auf den vom Lehrer-Modell gesammelten Daten durch. Durch die Eliminierung des Rauschens im Wahrnehmungsprozess während des Lernens von Planungsaufgaben können moderne Arbeiten mit deutlich weniger Daten bessere Ergebnisse erzielen als solche, bei denen Wahrnehmung und Planung eng gekoppelt sind.Trotzdem muss das Schüler-Modell unter dem aktuellen Paradigma „Lehrer-Schüler“ weiterhin einen Planungsprozessor von Grund auf neu erlernen, was aufgrund der redundanten und rauschartigen Natur der rohen Sensoreingaben sowie der zufälligen Verwechslungen bei der Verhaltenskopierung herausfordernd sein kann. In dieser Arbeit untersuchen wir die Möglichkeit, das leistungsfähige Lehrer-Modell direkt zur Planung einzusetzen, während das Schüler-Modell sich stärker auf den Wahrnehmungsprozess konzentriert. Wir stellen fest, dass selbst mit einem state-of-the-art-Wahrnehmungsmodell das direkte Lernen der erforderlichen Eingaben für das Lehrer-Modell durch das Schüler-Modell zu schlechten Fahrleistungen führt, was auf den großen Verteilungsunterschied zwischen den vorhergesagten privilegierten Eingaben und den wahren Zuständen zurückzuführen ist.Dazu schlagen wir DriveAdapter vor, eine Methode, die Adapter mit einer Merkmalsausrichtungsfunktion zwischen den Modulen des Schülers (Wahrnehmung) und des Lehrers (Planung) einsetzt. Da das rein lernbasierte Lehrer-Modell selbst unvollkommen ist und hin und wieder Sicherheitsregeln verletzt, schlagen wir außerdem eine Methode des aktionsgeführten Merkmalslernens mit einer Maske für diese unvollkommenen Lehrer-Merkmale vor, um a priori definierte Regeln in den Lernprozess einzubringen.