CARLA 中哪些训练数据维度对条件模仿学习至关重要？纯部署与护栏部署下的留一消融实验

《Applied Sciences》：Which Training-Data Axes Matter for Conditional Imitation Learning in CARLA? A Leave-One-Out Ablation UnderPure and Guardrailed Deployment

　　

特色应用

等预算逐一剔除轴协议和三层闭环矩阵提供了一种可复现的工作流程，用于在运行时护栏吸收故障之前，审计固定条件模仿学习堆栈中哪些训练数据轴会影响CARLA环境与部署相关的行为。实践者可以复用已发布的评估台账和按标签分层的报告规则，在纯策略评估与屏蔽评估之间比较数据生成方案，而不会将学习策略质量与运行时覆盖机制相混淆。

摘要

CARLA中的条件模仿学习（CIL）依赖于涵盖地图、天气、交通和控制扰动等多个轴线的多样化专家数据，但目前尚不清楚哪些轴真正驱动了闭环行为，以及消融结论在部署护栏介入后是否仍然成立。我们在相同的预算下训练了一个基线模型和四个逐一剔除轴（LOO）变体，基于固定的CIL架构（v14），并在三个嵌套层次下对每个模型进行评估：纯策略展开、最小交通规则屏蔽、以及包含路线融合和恢复机制的完整部署堆栈。该析因设计共包含个场景-变体-层次单元格，每个单元格在n = 5个交通种子重复实验下重复（共1350个闭环回合），以估计每个评估堆栈上的NPC种子方差。没有任何单一被剔除的轴在合并结果中占据主导地位。LOO效应具有按标签（场景类别）和按生成位置（车辆起始位置）的特异性：移除标注有扰动标签的恢复数据在geometry_stress指标上损失米，但在分布内的生成位置上可能提升行驶距离；移除多城镇数据在某些路线上改变了留出城镇Town05的移动能力，同时降低了其他路线的表现。轴重要性排名在不同层次之间发生重排；纯策略层次与完整层次之间的Kendall 相关系数为，且护栏压缩或消除了纯策略层次的差距（例如，drop_perturbation的合并行驶距离从降至米至0米）。纯策略层次的种子重复实验表明，drop_perturbation下的几何驱动车道跟踪退化是种子稳定的；而交通轴和完整层次下的drop_traffic加载对种子的敏感性更高。我们随论文一同发布了评估台账、解析脚本和分析工具。训练数据消融结论应在纯策略评估下报告按场景或按标签分层的LOO指标；带护栏的层次是补充性的部署检查，不能替代对策略实际学习内容的隔离分析。