Interpretable Motion Planner for Urban Driving via Hierarchical Imitation Learning

要約

学習ベースのアプローチは、自動運転の優れたパフォーマンスを達成しており、意思決定および計画モジュールで研究されているデータ駆動型の作業の数が増えています。
ただし、ニューラル ネットワークの信頼性と安定性には、まだ多くの課題があります。
このホワイトペーパーでは、高レベルのグリッドベースの行動プランナーと低レベルの軌道プランナーを含む階層的な模倣方法を紹介します。これは、個々のデータ駆動型の運転ポリシーであるだけでなく、ルールベースの運転ポリシーにも簡単に埋め込むことができます。
建築。
閉ループ シミュレーションと実世界の運転の両方で手法を評価し、ニューラル ネットワーク プランナーが複雑な都市の自動運転シナリオで優れたパフォーマンスを発揮することを実証します。

要約(オリジナル)

Learning-based approaches have achieved impressive performance for autonomous driving and an increasing number of data-driven works are being studied in the decision-making and planning module. However, the reliability and the stability of the neural network is still full of challenges. In this paper, we introduce a hierarchical imitation method including a high-level grid-based behavior planner and a low-level trajectory planner, which is not only an individual data-driven driving policy and can also be easily embedded into the rule-based architecture. We evaluate our method both in closed-loop simulation and real world driving, and demonstrate the neural network planner has outstanding performance in complex urban autonomous driving scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google