Hidden Biases of End-to-End Driving Models

要約

エンドツーエンドの駆動システムは、特に CARLA において、最近急速に進歩しています。
彼らの主要な貢献とは別に、マイナーなシステムコンポーネントに変更を加えています。
したがって、改善の源泉は不明です。
我々は、ほぼすべての最先端の手法で繰り返し発生し、CARLA の観察された進歩にとって重要な 2 つのバイアスを特定します。(1) 目標点追従に対する強い帰納的バイアスによる横方向の回復、および (2) マルチモーダルの縦方向の平均化
減速のためのウェイポイント予測。
私たちはこれらのバイアスの欠点を調査し、原則に基づいた代替案を特定します。
私たちの洞察を組み込むことで、Longest6 および LAV ベンチマークで 1 位にランクされるシンプルなエンドツーエンド手法である TF++ を開発し、Longest6 での過去の最高の研究よりも 14 のドライビング スコアを獲得しました。

要約(オリジナル)

End-to-end driving systems have recently made rapid progress, in particular on CARLA. Independent of their major contribution, they introduce changes to minor system components. Consequently, the source of improvements is unclear. We identify two biases that recur in nearly all state-of-the-art methods and are critical for the observed progress on CARLA: (1) lateral recovery via a strong inductive bias towards target point following, and (2) longitudinal averaging of multimodal waypoint predictions for slowing down. We investigate the drawbacks of these biases and identify principled alternatives. By incorporating our insights, we develop TF++, a simple end-to-end method that ranks first on the Longest6 and LAV benchmarks, gaining 14 driving score over the best prior work on Longest6.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google