清华提出BEV感知和强化学习融合方法：实现感知和决策的无缝衔接

文章预览

导读：  本文提出了一种基于鸟瞰图和环视摄像头输入的深度强化学习（DRL）特征提取网络，以获得车辆周围完整的环境信息。基于经典的自动驾驶感知任务语义分割，对提出的特征提取网络从环视摄像头中提取的高维环境特征进行解码，并将解码后的信息可视化为环境中的其他车辆，提高了DRL的可解释性。 ©️【深蓝AI】编译 端到端自动驾驶为传统模块化系统提供了一种简化的替代方案，将感知、预测和规划集成在一个框架内。虽然深度强化学习（DRL）最近在这一领域获得了关注，但现有方法往往忽视了DRL的特征提取和感知之间的关键联系。在本文中，作者通过将DRL特征提取网络直接映射到感知阶段来弥补这一差距，从而通过语义分割实现更清晰的解释。通过利用鸟瞰图（BEV）表示，作者提出了一种基于DRL的新型端到端驾驶框架，该框架利用多 ………………………………