BCSSN: Bi-direction Compact Spatial Separable Network for Collision Avoidance in Autonomous Driving

要約

自動運転は研究開発の活発な分野であり、自動運転車の意思決定のためにさまざまな戦略が検討されています。
ルールベースのシステム、デシジョン ツリー、マルコフ決定プロセス、およびベイジアン ネットワークは、交通状況の複雑さに取り組み、衝突を回避するために使用される一般的な方法の一部です。
しかし、深層学習の出現により、多くの研究者が衝突回避のパフォーマンスを向上させるために CNN ベースの方法に目を向けています。
一部の CNN ベースの方法によって達成された有望な結果にもかかわらず、連続する画像間の相関関係を確立できないと、多くの場合、より多くの衝突が発生します。
この論文では、注意のバリアントを使用して連続画像内の領域間の特徴相関を確立することにより、制限を克服する CNN ベースの方法を提案します。
私たちの方法は、地域の特徴をキャプチャする際のCNNの利点と双方向のLSTMを組み合わせて、異なる地域間の関係を強化します。
さらに、エンコーダを使用して計算効率を向上させます。
この方法は、カメラと LiDAR センサーから生成された「Bird’s Eye View」グラフを入力として受け取り、位置 (x、y) とヘッド オフセット角度 (Yaw) をシミュレートして、将来の軌道を生成します。
実験結果は、提案された方法が既存の視覚ベースの戦略よりも優れていることを示しており、L5kit テスト セットで 1000 マイルの走行距離あたり平均 3.7 回の衝突しか達成していません。
これにより、衝突回避の成功率が大幅に向上し、自動運転に有望なソリューションが提供されます。

要約(オリジナル)

Autonomous driving has been an active area of research and development, with various strategies being explored for decision-making in autonomous vehicles. Rule-based systems, decision trees, Markov decision processes, and Bayesian networks have been some of the popular methods used to tackle the complexities of traffic conditions and avoid collisions. However, with the emergence of deep learning, many researchers have turned towards CNN-based methods to improve the performance of collision avoidance. Despite the promising results achieved by some CNN-based methods, the failure to establish correlations between sequential images often leads to more collisions. In this paper, we propose a CNN-based method that overcomes the limitation by establishing feature correlations between regions in sequential images using variants of attention. Our method combines the advantages of CNN in capturing regional features with a bi-directional LSTM to enhance the relationship between different local areas. Additionally, we use an encoder to improve computational efficiency. Our method takes ‘Bird’s Eye View’ graphs generated from camera and LiDAR sensors as input, simulates the position (x, y) and head offset angle (Yaw) to generate future trajectories. Experiment results demonstrate that our proposed method outperforms existing vision-based strategies, achieving an average of only 3.7 collisions per 1000 miles of driving distance on the L5kit test set. This significantly improves the success rate of collision avoidance and provides a promising solution for autonomous driving.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google