论文
通过未来场景预测与城镇对抗正则改善 CARLA 跨城镇驾驶
Dreaming Across Towns: Semantic Rollout and Town-Adversarial Regularization for Zero-Shot Held-Out-Town Fixed-Route Driving in CARLA
摘要
在某座模拟城镇训练的驾驶智能体，可能因道路、路口与车道布局变化而难以迁移。论文在 CARLA 中研究无需测试城镇数据的训练方法，仅在 Town05 与 Town06 训练，再直接测试 Town03 与 Town04；为隔离道路布局差异，天气与交通保持一致。训练时，方法同时预测未来视图的高层语义，并抑制暴露来源城镇身份的线索，鼓励跨城镇通用特征。额外信号只用于训练，测试时观察和控制接口与基线一致。在与条件匹配的 DreamerV3 式世界模型驾驶智能体比较中，方法取得最高测试城镇平均成功率：Town03 为36.6%，95%置信区间[30.5,42.7]；Town04 为85.6%，区间[84.0,87.2]，均基于五个训练种子。与最强主要基线的种子配对检验显示，两座测试城镇的成功率差异均为正。单独预测未来视觉语义或去除城镇特定线索都达不到组合方法的表现。结果支持在这一 CARLA 设置中结合两项机制改善跨城镇驾驶。