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

Abstract

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.