低成本开放平台实现微型车端到端自动驾驶
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载平台由哪些部分组成
这套开放平台把若干环节打包在一起：一台按阿克曼转向方式布置的小型实体车、一条打印出来的城市道路场景、用于采集数据的工具、轨迹记录模块，以及一个在 Webots 中搭建的数字孪生。实体车与仿真环境共用同一套道路与任务设定，因此研究者可以在受控条件下把仿真里训练的方法搬到真实车上执行，再对照两边表现。平台定位是低成本、可复现的实验台，作者将其公开，供后续研究直接使用，而不必各自从零搭建车辆与场地。
基线策略怎么跑起来
作为起点，作者实现了一种带指令条件的行为克隆：神经网络策略同时接收车载摄像头画面与一条高层导航指令，输出转向与速度两个控制量。训练数据来自人类驾驶示范，策略学习的是在给定画面和指令下模仿人的操作。评测分两处进行，一是在实体车上做闭环行驶，二是在数字孪生里复现同样任务。这样安排的好处是，同一份策略可以分别在真实与虚拟环境中检验，便于定位差异来自算法还是来自环境。
误差数字说明了什么
在真实闭环实验中，学到的策略能够沿车道行驶并执行被指令要求的转弯，相对参考路线的平均横向误差为 6.1 厘米；作为对照，人类示范本身的同一指标是 4.7 厘米，两者差距不大，说明该基线在实体车上已能稳定跟踪路线。数字孪生里的实验则显示，摄像头视场角对表现影响明显：把视场角从 58 度扩大到 120 度，平均横向误差由 35.6 厘米降到 3.3 厘米。这一对比提示，感知范围是这类端到端策略在仿真中的关键变量，也解释了为何同一策略在两种环境下的表现需要分开看。
合成数据补上了什么
作者进一步用数字孪生生成合成驾驶数据，并训练一个 sim-to-real 图像转换器来缩小虚拟画面与真实画面之间的外观差异。结果显示，只有一种配置能在闭环中跑完全部四条赛道路线：容量更大的策略，且训练时同时使用合成数据与真实示范。相比之下，紧凑的基线策略，以及同样网络但仅用真实数据训练的版本，完成的路线数都更少。这说明合成数据并非简单替代真实数据，而是与真实示范配合时才带来覆盖全部路线的能力。平台与基线一并公开，供可复现的 sim-to-real 研究使用。
为什么值得看
为自动驾驶研究提供低成本可复现平台，促进仿真到现实的转换研究。
信源1 家
关键事实
相关 · 工具
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。