Técnicas de Pré-Processamento Aplicadas no Aprendizado por Imitação para Veículos Autônomos

• Tatianna Aviz UFPA
• Wellington Lobato UNICAMP
• Denis Rosário UFPA
• Eduardo Cerqueira UFPA

DOI: https://doi.org/10.5753/wperformance.2024.3095

Resumo

Os sistemas de condução autônoma utilizam frequentemente o Aprendizado por Imitação Condicional (Conditional Imitation Learning (CIL)) para aprender o comportamento da direção humana. No CIL, um conjunto de dados com demonstrações de um condutor é usado para treinar um modelo que replica o seu comportamento de condução. No entanto, a capacidade de generalização do modelo tende a ser reduzida em cenários de condução desconhecidos. Aumentar a variabilidade dos dados de treinamento por meio de técnicas de pré-processamento pode auxiliar na generalização do modelo. Portanto, neste artigo é proposto uma avaliação de técnicas de pré-processamento de dados no treinamento de modelos baseados no CIL. Os resultados demonstram que, em conjunto, as técnicas de aumentação de dados e normalização aumentam a capacidade de generalização do CIL, obtendo um valor 62.81% melhor em comparação outras abordagens.

Referências

Codevilla, F., Lopez, A. M., Koltun, V., and Dosovitskiy, A. (2018a). On offline evaluation of vision-based driving models. In Proceedings of the European Conference on Computer Vision (ECCV), pages 236–251.

Codevilla, F., Müller, M., López, A., Koltun, V., and Dosovitskiy, A. (2018b). End-to-end driving via conditional imitation learning. In IEEE International Conference on Robotics and Automation (ICRA).

Codevilla, F., Santana, E., Lopez, A. M., and Gaidon, A. (2019). Exploring the limitations of behavior cloning for autonomous driving. In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV).

Dosovitskiy, A., Ros, G., Codevilla, F., Lopez, A., and Koltun, V. (2017). CARLA: An open urban driving simulator. In Proceedings of the 1st Annual Conference on Robot Learning.

Eraqi, H. M., Moustafa, M. N., and Honer, J. (2020). Efficient occupancy grid mapping and camera-lidar fusion for conditional imitation learning driving. In IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC).

Eraqi, H. M., Moustafa, M. N., and Honer, J. (2022). Dynamic conditional imitation learning for autonomous driving. IEEE Transactions on Intelligent Transportation Systems, 23(12):22988–23001.

Hawke, J., Shen, R., Gurau, C., Sharma, S., Reda, D., Nikolov, N., Mazur, P., Micklethwaite, S., Griffiths, N., Shah, A., and Kndall, A. (2020). Urban driving with conditional imitation learning. In 2020 IEEE International Conference on Robotics and Automation (ICRA).

Hu, A., Corrado, G., Griffiths, N., Murez, Z., Gurau, C., Yeo, H., Kendall, A., Cipolla, R., and Shotton, J. (2022). Model-based imitation learning for urban driving. In Advances in Neural Information Processing Systems, volume 35, pages 20703–20716. Curran Associates, Inc.

Junior, W. L., de Souza, A. M., Cerqueira, E., Rosário, D., and Villas, L. (2021). Mecanismo eficiente de localização cooperativa para veículos autônomos conectados. In Anais do XXXIX Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 336–349. SBC.

Le Mero, L., Yi, D., Dianati, M., and Mouzakitis, A. (2022). A survey on imitation learning techniques for end-to-end autonomous vehicles. IEEE Transactions on Intelligent Transportation Systems, 23(9):14128–14147.

Ly, A. O. and Akhloufi, M. (2021). Learning to drive by imitation: An overview of deep behavior cloning methods. IEEE Transactions on Intelligent Vehicles, 6(2):195–209.

Maharana, K., Mondal, S., and Nemade, B. (2022). A review: Data pre-processing and data augmentation techniques. Global Transitions Proceedings, 3(1):91–99.

Teng, S., Chen, L., Ai, Y., Zhou, Y., Xuanyuan, Z., and Hu, X. (2023). Hierarchical interpretable imitation learning for end-to-end autonomous driving. IEEE Transactions on Intelligent Vehicles, 8(1):673–683.

Xiao, Y., Codevilla, F., Gurram, A., Urfalioglu, O., and López, A. M. (2022). Multimodal end-to-end autonomous driving. IEEE Transactions on Intelligent Transportation Systems, 23(1):537–547.

Zhang, E., Zhou, H., Ding, Y., Zhao, J., and Ye, C. (2020). Learning how to avoiding obstacles for end-to-end driving with conditional imitation learning. In Proceedings of the 2019 2nd International Conference on Signal Processing and Machine Learning. Association for Computing Machinery.

Zheng, B., Verma, S., Zhou, J., Tsang, I. W., and Chen, F. (2022). Imitation learning: Progress, taxonomies and challenges. IEEE Transactions on Neural Networks and Learning Systems, pages 1–16.