边缘网:一个端到端的深度神经网络,为现实世界的自动驾驶应用程序使用合成数据进行预训练

科学领域:

• 计算机视觉 计算机视觉
• 机器人技术 机器人技术 机器人技术
• 机器学习 机器学习

背景情况:

• 自动驾驶系统需要强大的感知来处理各种现实世界的条件.
• 弥合合成培训数据和现实世界的场景之间的领域差距是一个重大挑战.
• 端到端的学习方法为自动驾驶汽车控制提供了一个有希望的方向.

研究的目的:

• 为自动驾驶提供一个新的端到端架构,包括边缘检测.
• 解决合成和现实世界数据之间的领域差距,以改善转移学习.
• 评估定制边缘检测层和合成数据预训练对模型性能的影响.

主要方法:

• 开发了一个端到端的架构,具有自定义边缘检测层,先于一个高效网模块.
• 使用RGB和深度图像,以及惯性数据 (IMU),用于训练.
• 创建了一个合成的多式联运数据集,包括100个不同的天气和交通场景,用于预训练.
• 预测的行驶速度和方向盘角度.

主要成果:

• 包括边缘检测层在内,通过合成和现实世界的数据增强了转移学习性能.
• 使用合成数据预训练架构导致训练时间缩短.
• 合成数据预训练在应用于真实世界驾驶数据时改善了模型的性能.

结论:

• 定制边缘检测层对自动驾驶架构,特别是转移学习有好处.
• 合成数据预训练是一种有效的策略,可以加速训练,提高现实世界自动驾驶应用中的性能.
• 拟议的架构证明了一种可行的方法,可以弥合自动驾驶中的模拟与现实差距.