Scaling Planning for Automated Driving using Simplistic Synthetic Data

要約

私たちは、自動運転計画タスクを解決するためのディープラーニングの適用には、膨大な量の実世界のデータまたは現実的なシミュレーターが必要であるという認識されたコンセンサスに異議を唱えます。
ラウンドアバウト シナリオを使用して、ターゲットを絞った単純化されたシミュレーション データを優先してこの要件を緩和できることを示します。
利点は、現実的なデータセットでは一般に過小評価されている重要なシナリオに対して、このようなデータを簡単に生成できることです。
バニラの動作クローンをほぼ軽量のシミュレート データにのみ適用することで、信頼性が高く快適な現実世界の運転を実現します。
私たちの重要な洞察は、シミュレーションと実際のギャップ、ターゲットを絞ったデータの増強、トレーニング シナリオのバリエーションを特定するための定期的な車載テストを含む、増分開発アプローチにあります。
方法論に加えて、そのようなポリシーを現実世界の車両内に導入するための実践的なガイドラインと、その結果として生じる定性的な運転行動の洞察も提供します。
このアプローチは、多くの自動運転ユースケースの青写真として機能し、将来の研究に貴重な洞察を提供し、効率的かつ効果的なソリューションの開発に役立ちます。

要約(オリジナル)

We challenge the perceived consensus that the application of deep learning to solve the automated driving planning task requires a huge amount of real-world data or a realistic simulator. Using a roundabout scenario, we show that this requirement can be relaxed in favour of targeted, simplistic simulated data. A benefit is that such data can be easily generated for critical scenarios that are typically underrepresented in realistic datasets. By applying vanilla behavioural cloning almost exclusively to lightweight simulated data, we achieve reliable and comfortable real-world driving. Our key insight lies in an incremental development approach that includes regular in-vehicle testing to identify sim-to-real gaps, targeted data augmentation, and training scenario variations. In addition to the methodology, we offer practical guidelines for deploying such a policy within a real-world vehicle, along with insights of the resulting qualitative driving behaviour. This approach serves as a blueprint for many automated driving use cases, providing valuable insights for future research and helping develop efficient and effective solutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google