Roach

论文总结

Zhang Z, Liniger A, Dai D, et al. End-to-end urban driving by imitating a reinforcement learning coach[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2021: 15222-15232.

1 Summary

模仿学习中的expert如果由人手工设计，效果不佳。作者使用RL训练出一个expert（输入为BEV图像，输出为动作的Beta分布），在具有很好驾驶性能的同时，也能为IL模型提供更好的监督训练（KD思想）。

2 Model Architecture

2.1 RL Coach

• policy network ${\pi }_{\theta }(\mathbf{a}|{\mathbf{i}}_{\mathbf{RL}},{\mathbf{m}}_{\mathbf{RL}})$、value network $V_{\varphi }({\mathbf{i}}_{\mathrm{RL}},{\mathbf{m}}_{\mathrm{RL}})$。其中policy network将BEV图像 ${\mathbf{i}}_{\text{RL}}$和度量值
  ${\mathbf{m}}_{RL}$映射为动作的分布 $\mathbf{a}$。而value network将其映射为状态价值。
• 输入表征：如下图，输入为BEV语义分割图像${\mathbf{i}}_{\mathrm{RL}}\in [0,1{]}^{W\times H\times C}$（使用CARLA中的真实环境信息渲染而成），和度量值${\mathbf{m}}_{\mathrm{RL}}\in {\mathbb{R}}^6$，包含 steering, throttle, brake, gear, lateral and horizontal speed。
  

(a)表示可行驶区域；(b)表示期望路线；©表示车道线和道路边界；(d e)表示K张灰度图像组成的时间序列，其中自行车、行人和车辆被渲染为白色边界框；（f）表示交通信号灯和停止标识。

• 输出表征：输出动作的概率分布$\mathcal{B}(\alpha ,\beta )$（动作空间为$\text{a}\in [-1,1{]}^2$）。
• 训练：使用近端策略优化(PPO)结合裁剪来训练策略网络${\pi }_{\theta }$和价值网络$V_{\varphi }$。通过${\pi }_{\theta }$在CARLA中收集训练数据：$\tau =\{({\mathbf{i}}_{\mathbf{RL},k},{\mathbf{m}}_{\mathbf{RL},k},{\mathbf{a}}_k,r_k{)}_{k=0}^T,z\}$。其中$z$是一幕数据的结束事件。
  • 价值网络去近似一幕数据总的回报
  • 策略网络则通过${\theta }_{k+1}=\arg \underset{\theta }{\max }{E}_{\tau \sim {\tau }_{{\theta }_k}}\left[{\mathcal{L}}_{\text{ppo}}+{\mathcal{L}}_{\text{ent}}+{\mathcal{L}}_{\text{exp}}\right]$更新。
    • 其中${\mathcal{L}}_{\mathrm{ppo}}$是使用广义优势估计来估计具有优势的裁剪策略梯度损失。
    • ${\mathcal{L}}_{\mathrm{ent}}$是通常用于鼓励Agent探索的最大熵损失：${\mathcal{L}}_{\mathrm{ent}}=-{\lambda }_{\mathrm{ent}}\cdot \mathrm{H}\left({\pi }_{\theta }(\cdot |{\mathbf{i}}_{\mathrm{RL}},{\mathbf{m}}_{\mathrm{RL}})\right)$。
    • ${\mathcal{L}}_{\text{exp}}$是${\mathcal{L}}_{\mathrm{ent}}$的广义形式，使Agent的探索更加合理：Lexp=λexp⁡⋅1{T−Nz+1,...,T}(k)⋅KL(πθ(⋅∣iRL,k,mRL,k)∥pz)\begin{aligned} \mathcal{L}_{\mathrm{exp}}& =\lambda_{\exp}\cdot\mathbb{1}_{\{T-N_z+1,...,T\}}(k)\cdot\mathrm{KL}(\pi_\theta(\cdot|\mathbf{i}_{\mathrm{RL},k},\mathbf{m}_{\mathrm{RL},k})\parallel p_z)\end{aligned}Lexp​​=λexp​⋅1{T−Nz​+1,...,T}​(k)⋅KL(πθ​(⋅∣iRL,k​,mRL,k​)∥pz​)​。
      • 其中$\text{1}$是指示函数，$z$是一幕数据结束的事件（包含碰撞、闯红灯/标志、路线偏离 和被阻塞）。其中$N_z=100,\forall z\in \mathcal{Z}$。
      • 如果$z$与碰撞或闯红灯/标志有关，便对加速施加 $p_z=\mathcal{B}(1,2.5)$，以鼓励Roach 在转向不受影响的情况下减速。
      • 相反，如果Agent意外停止，我们就使用$\mathcal{B}(2.5,1)$。

2.2 IL Agents Supervised by Roach

• Action Distribution Loss。使用动作的概率分布损失，而非直接动作损失（Knowledge Distillation思想）：${\mathcal{L}}_{\mathrm{K}}=\mathrm{KL}(\hat{\pi }\Vert \pi )$，即IL模型策略 $\hat{\pi }$ 和RL expert模型策略 $\pi$ 之间的KL散度。
• Feature Loss。特征匹配是在网络之间传递知识的有效方法。Roach的潜在特征 ${\text{j}}_{\text{RL}}$是一个紧凑的表示，它包含了驾驶的基本信息，且具有很强的鲁棒性：${\mathcal{L}}_{\mathrm{F}}={\lambda }_{\mathrm{F}}\cdot \Vert {\mathbf{j}}_{\mathrm{RL}}-{\mathbf{j}}_{\mathrm{IL}}{\Vert }^2$。
• Value Loss。增加一个模型的预测任务，即预测当前的状态价值。${\mathcal{L}}_{\mathrm{V}}={\lambda }_{\mathrm{V}}\cdot (\hat{v}-v{)}^2$。
  hrm{V}\cdot(\hat{v}-v)^2$。