主要观点总结
本文主要介绍了一种高效可解释的基于模型的强化学习端到端自动驾驶系统SEM2，由中科院自动化所、香港大学、清华大学李升波教授团队与北京科技大学联合发布。文章首先介绍了端到端自动驾驶系统的现状及其存在的问题，然后重点介绍了SEM2系统的特点与创新点，包括语义掩码过滤器的设计、多源训练方法、在CARLA仿真器中的对比实验以及不同天气场景下的鲁棒性测试。
关键观点总结
关键观点1: SEM2系统的提出背景与意义
随着自动驾驶技术的发展，端到端自动驾驶系统逐渐成为研究热点。但现有的端到端自动驾驶系统存在数据短缺、学习效率低下、鲁棒性差与可解释性差等问题。SEM2系统的提出，旨在解决这些问题，提高自动驾驶系统的性能。
关键观点2: SEM2系统的核心技术与创新点
SEM2系统的主要创新点包括设计语义掩码过滤器、采用多源训练方法、在CARLA仿真器中的对比实验等。其中，语义掩码过滤器能够提取与驾驶相关的特征，提高系统的样本效率与鲁棒性。多源训练方法则通过平衡训练数据的分布，增强世界模型在处理边界情况时的准确性。
关键观点3: SEM2系统的实验验证与性能评估
文章通过鲁棒性测试对比实验验证了SEM2系统的优异性能。在不同天气场景下，相较于原始特征，驾驶相关特征在前视相机输入出现扰动时变化较小，验证了过滤后特征与驾驶特征的高度相关性。
关键观点4: 自动驾驶实战群与参考文章的价值
文章最后提到加入自动驾驶实战群可以深入学习自动驾驶技术，同时提供了多篇参考文献，包括世界模型强化学习、端到端自动驾驶系统等方面的研究，对读者深入了解相关技术领域具有参考价值。
文章预览
导读 本文由论文共同一作、香港大学在读博士穆尧投稿。 近日，中科院自动化所、香港大学、清华大学李升波教授团队、北京科技大学联合发布一种高效可解释的基于模型的强化学习端到端自动驾驶系统SEM2，与SEM2相关论文发表于IEEE T-ITS 2024 顶刊 上。 论文标题：《Enhance Sample Efficiency and Robustness of End-to-end Urban Autonomous Driving via Semantic Masked World Model》 论文链接：https://arxiv.org/abs/2210.04017 端到端的自动驾驶方案直接将原始传感器数据映射到基本控制指令，相较于分层式架构具备巨大的性能潜力。但端到端的自动驾驶方案存在数据短缺、学习效率低下、鲁棒性差与可解释性差等问题。基于世界模型的强化学习方法[1]通过世界模型对环境进行建模，具有时序预测能力，进而能够获得数倍于原始样本的训练样本，相较于无模型强化学习算法样本效率较高
………………………………
