Recent Advancements in End-to-End Autonomous Driving using Deep Learning: A Survey

要約

エンドツーエンド駆動は、モジュール式システムに伴う圧倒的な複雑さやエラー伝播の傾向などの欠点を回避できるため、有望なパラダイムです。
自動運転は、特に確率的で変化しやすい交通状況において、重要なイベントを事前に積極的に認識することで従来の交通パターンを超え、乗客の安全を確保し、快適な移動手段を提供します。
このペーパーでは、エンドツーエンドの自動運転スタックの包括的なレビューを示します。
これは、ニューラル ネットワークがエンドツーエンド方式で採用され、知覚から制御までの運転プロセス全体を網羅する自動運転タスクの分類を提供すると同時に、現実世界のアプリケーションで遭遇する主要な課題に対処します。
エンドツーエンドの自動運転の最近の開発が分析され、基礎となる原理、方法論、コア機能に基づいて研究が分類されます。
これらのカテゴリには、感覚入力、主出力と補助出力、模倣から強化学習に至るまでの学習アプローチ、およびモデル評価手法が含まれます。
この調査には、説明可能性と安全性の側面に関する詳細な議論が組み込まれています。
さらに、最先端技術を評価し、課題を特定し、将来の可能性を探ります。
最新の進歩とそれに対応するオープンソースの実装は、https://github.com/Pranav-chib/Recent-Advancements-in-End-to-End-Autonomous-Driving-using-Deep-Learning で維持されています。

要約(オリジナル)

End-to-End driving is a promising paradigm as it circumvents the drawbacks associated with modular systems, such as their overwhelming complexity and propensity for error propagation. Autonomous driving transcends conventional traffic patterns by proactively recognizing critical events in advance, ensuring passengers’ safety and providing them with comfortable transportation, particularly in highly stochastic and variable traffic settings. This paper presents a comprehensive review of the End-to-End autonomous driving stack. It provides a taxonomy of automated driving tasks wherein neural networks have been employed in an End-to-End manner, encompassing the entire driving process from perception to control, while addressing key challenges encountered in real-world applications. Recent developments in End-to-End autonomous driving are analyzed, and research is categorized based on underlying principles, methodologies, and core functionality. These categories encompass sensorial input, main and auxiliary output, learning approaches ranging from imitation to reinforcement learning, and model evaluation techniques. The survey incorporates a detailed discussion of the explainability and safety aspects. Furthermore, it assesses the state-of-the-art, identifies challenges, and explores future possibilities. We maintained the latest advancements and their corresponding open-source implementations at https://github.com/Pranav-chib/Recent-Advancements-in-End-to-End-Autonomous-Driving-using-Deep-Learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google