优质数据是模仿学习所需的全部
原文中文，约400字，阅读约需1分钟。发表于：。本文解决了传统教师-学生模型、模仿学习和行为克隆在自动驾驶系统中面临的局限性，尤其是对真实场景覆盖不全的问题。我们提出了一种新颖的数据增强技术——反事实解释（CFE），通过最小的输入修改生成决策边界附近的训练样本，从而更全面地反映专家驾驶策略，提高模型处理稀有和复杂驾驶事件的能力。实验表明，CF-Driver在CARLA模拟器中表现优于当前最先进方法，驾驶得分提高了15.02个百分点，显示出...
本文讨论了自动驾驶系统中传统模型的局限，提出了一种新数据增强技术——反事实解释（CFE）。CFE通过最小修改生成决策边界附近样本，更全面反映专家驾驶策略，提升模型处理复杂事件的能力。实验表明，CF-Driver在CARLA模拟器中的驾驶得分提高了15.02个百分点，证明了CFE在训练端到端自动驾驶系统中的有效性。
