Parting with Misconceptions about Learning-based Vehicle Motion Planning

要約

nuPlan のリリースは、正確な短期計画と長期的な自己予測の両方を必要とする初の大規模な実世界データセットと評価スキームを提供し、車両運動計画研究の新時代を迎えます。
既存のシステムは、両方の要件を同時に満たすのに苦労しています。
実際、これらのタスクは根本的にずれており、個別に対処する必要があることがわかりました。
さらに、現場における閉ループ計画の現状を評価し、複雑な現実世界のシナリオにおける学習ベースの手法の限界と、レーングラフ検索アルゴリズムによる中心線選択などの単純なルールベースの事前分布の価値を明らかにします。
さらに驚くべきことに、開ループのサブタスクでは、この中心線のみをシーン コンテキストとして使用した場合 (つまり、マップと他のエージェントに関するすべての情報を無視した場合) に最良の結果が得られることがわかりました。
これらの洞察を組み合わせて、当社は広範な競合他社を上回る非常にシンプルで効率的なプランナーを提案し、nuPlan プランニング チャレンジ 2023 で優勝しました。

要約(オリジナル)

The release of nuPlan marks a new era in vehicle motion planning research, offering the first large-scale real-world dataset and evaluation schemes requiring both precise short-term planning and long-horizon ego-forecasting. Existing systems struggle to simultaneously meet both requirements. Indeed, we find that these tasks are fundamentally misaligned and should be addressed independently. We further assess the current state of closed-loop planning in the field, revealing the limitations of learning-based methods in complex real-world scenarios and the value of simple rule-based priors such as centerline selection through lane graph search algorithms. More surprisingly, for the open-loop sub-task, we observe that the best results are achieved when using only this centerline as scene context (\ie, ignoring all information regarding the map and other agents). Combining these insights, we propose an extremely simple and efficient planner which outperforms an extensive set of competitors, winning the nuPlan planning challenge 2023.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google