Apprendre à Diriger en Imitant les Caractéristiques de Réseaux Auxiliaires Hétérogènes

L'entraînement de nombreux modèles de prédiction d'angle de direction existants repose fortement sur les angles de direction comme signal de supervision. Sans apprendre à partir de contextes beaucoup plus riches, ces méthodes sont vulnérables à la présence de courbes de route abruptes, des conditions de circulation difficiles, des ombres marquées et des changements lumineux sévères. Dans cet article, nous améliorons considérablement la précision et la robustesse des prédictions grâce à l'imitation des caractéristiques par des réseaux auxiliaires hétérogènes, une nouvelle méthode d'entraînement efficace qui nous fournit des signaux contextuels beaucoup plus riches en plus de la direction du volant. Plus précisément, nous entraînons notre modèle prédictif d'angle de direction en distillant les connaissances multicasquettes provenant de plusieurs réseaux auxiliaires hétérogènes qui réalisent des tâches connexes mais différentes, par exemple, la segmentation d'image ou l'estimation du flot optique. Contrairement à l'apprentissage multitâche, notre méthode ne nécessite pas d'annotations coûteuses des tâches connexes sur l'ensemble cible. Cela est rendu possible en appliquant des réseaux prêts à l'emploi contemporains sur l'ensemble cible et en imitant leurs caractéristiques dans différentes couches après transformation. Les réseaux auxiliaires sont éliminés après l'entraînement sans affecter l'efficacité opérationnelle de notre modèle. Notre approche atteint un nouveau niveau d'état de l'art sur les jeux de données Udacity et Comma.ai, surpassant le meilleur précédent avec une marge importante de 12,8 % et 52,1 % respectivement. Des résultats encourageants sont également présentés sur le jeu de données Berkeley Deep Drive (BDD).