TOFG: A Unified and Fine-Grained Environment Representation in Autonomous Driving

要約

自動運転では、車両間および車両と車線の相互作用など、環境を正確に理解することが、軌道予測や動作計画などの多くの運転タスクにおいて重要な役割を果たします。
環境情報は、高解像度 (HD) マップと車両の過去の軌跡から得られます。
地図データと軌道データは異質であるため、軌道予測と動作計画のための多くのデータ駆動型モデルは、車両間および車両と車線の相互作用を個別かつ連続的な方法で抽出します。
ただし、このような方法ではインタラクションの偏った解釈が取り込まれ、予測と計画の精度が低下する可能性があります。
さらに、個別に抽出するとモデル構造が複雑になるため、全体の効率とスケーラビリティが犠牲になります。
上記の問題に対処するために、我々は環境表現、Temporal Occupancy Flow Graph (TOFG) を提案します。
具体的には、占有フローベースの表現により、地図情報と車両の軌跡が均一なデータ形式に統合され、一貫した予測が可能になります。
車両間の時間的依存関係は、乗員フローの変化をタイムリーに捕捉してモデルのパフォーマンスをさらに促進するのに役立ちます。
TOFG がモデル アーキテクチャを簡素化できることを実証するために、TOFG にシンプル グラフ アテンション (GAT) ベースのニューラル ネットワークを組み込み、軌道予測と動作計画の両方に使用できる TOFG-GAT を提案します。
実験結果は、TOFG-GAT が、より短いトレーニング時間ですべての SOTA ベースラインよりも優れた、または競争力のあるパフォーマンスを達成することを示しています。

要約(オリジナル)

In autonomous driving, an accurate understanding of environment, e.g., the vehicle-to-vehicle and vehicle-to-lane interactions, plays a critical role in many driving tasks such as trajectory prediction and motion planning. Environment information comes from high-definition (HD) map and historical trajectories of vehicles. Due to the heterogeneity of the map data and trajectory data, many data-driven models for trajectory prediction and motion planning extract vehicle-to-vehicle and vehicle-to-lane interactions in a separate and sequential manner. However, such a manner may capture biased interpretation of interactions, causing lower prediction and planning accuracy. Moreover, separate extraction leads to a complicated model structure and hence the overall efficiency and scalability are sacrificed. To address the above issues, we propose an environment representation, Temporal Occupancy Flow Graph (TOFG). Specifically, the occupancy flow-based representation unifies the map information and vehicle trajectories into a homogeneous data format and enables a consistent prediction. The temporal dependencies among vehicles can help capture the change of occupancy flow timely to further promote model performance. To demonstrate that TOFG is capable of simplifying the model architecture, we incorporate TOFG with a simple graph attention (GAT) based neural network and propose TOFG-GAT, which can be used for both trajectory prediction and motion planning. Experiment results show that TOFG-GAT achieves better or competitive performance than all the SOTA baselines with less training time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google