面向自动驾驶车辆多维度改进的人工引导持续学习

《Nature Communications》：Human-guided continual learning for multifaceted improvement of self-driving vehicles

　　

摘要

如今的自动驾驶车辆已展现出令人瞩目的驾驶能力，然而，由模糊的交规、罕见长尾事件等因素引发的安全问题，仍然对其实际部署构成重大挑战。因此，在某些情况下，仍需人类驾驶员接管。在此，我们提出了一种人类引导的持续学习方法，利用这些人类引导数据来持续提升自动驾驶性能，从而使未来能更好地处理类似情况。我们的方法仅使用驾驶过程中收集的新数据即可实现性能提升，无需从头进行长时间的重新训练。我们通过仿真和真实世界实验评估了所提出的技术，表明该技术能够通过对少量人类引导数据的增量获取实现持续改进。在每个学习阶段之后，更新后的策略在社会遵从性、罕见情况处理等方面均达到或超过了之前的自动驾驶策略。这些发现凸显了该技术在多维度上持续改进自动驾驶车辆的潜力，以及支持更广泛的闭环人机协作自主系统的潜力。