本文經(jīng)自動駕駛之心公眾號授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

在CARLA v2中以專家級的熟練程度運行。

題目：Think2Drive: Efficient Reinforcement Learning by Thinking in Latent World Model for Quasi-Realistic Autonomous Driving (in CARLA-v2)

作者單位：上海交通大學

現(xiàn)實世界中的自動駕駛（AD），尤其是城市駕駛，涉及許多corner case。最近發(fā)布的AD仿真器CARLA v2在駕駛場景中增加了39個常見事件，并提供了比CARLA v1更接近真實的測試平臺。這給社區(qū)帶來了新的挑戰(zhàn)，到目前為止，還沒有文獻報告CARLA v2中的新場景取得了任何成功，因為現(xiàn)有的工作大多都必須依賴于特定規(guī)則進行規(guī)劃，但它們無法涵蓋CARLA v2中更復雜的情況。這項工作主動直接訓練一個規(guī)劃器，希望能夠靈活有效地處理corner case，認為這也是AD的未來方向。據(jù)我們所知，我們開發(fā)了第一個基于模型的強化學習方法，名為Think2Drive，用于AD，具有一個世界模型來學習環(huán)境的轉(zhuǎn)變，然后它充當神經(jīng)仿真器來訓練規(guī)劃器。這種范式極大地提高了訓練效率，因為世界模型中的低維狀態(tài)空間和張量的并行計算。

結(jié)果，Think2Drive能夠在單個A6000 GPU上進行3天的訓練后，在CARLA v2中以專家級的熟練程度運行，據(jù)我們所知，迄今為止尚未報告有關(guān)CARLA v2的成功（100%的路線完成）。還提出了CornerCase-Repository，這是一個支持通過場景評估駕駛模型的基準。此外，提出了一個新的平衡指標來評估性能，包括路線完成、違規(guī)次數(shù)和場景密度，以便駕駛分數(shù)可以提供更多關(guān)于實際駕駛表現(xiàn)的信息。

實驗結(jié)果

寫在最后

歡迎star和follow我們的倉庫，里面包含了BEV/多模態(tài)融合/Occupancy/毫米波雷達視覺感知/車道線檢測/3D感知/多模態(tài)融合/在線地圖/多傳感器標定/Nerf/大模型/規(guī)劃控制/軌跡預測等眾多技術(shù)綜述與論文；