Interpretable Motion Planner for Urban Driving via Hierarchical Imitation Learning

要約

学習ベースのアプローチは、自動運転の分野で目覚ましいパフォーマンスを達成しました。
ニューラル ネットワークの優れた能力と人間の大量の運転データを活用して、運転行動の複雑なパターンとルールをモデルとしてエンコードして、自動運転システムに役立てることができます。
さらに、意思決定および動作計画モジュールで研究されるデータ駆動型の作業が増加しています。
しかし、ニューラル ネットワークの信頼性と安定性にはまだ不確実性がいっぱいです。
この論文では、高レベルのグリッドベースの動作プランナーと、高度に解釈可能で制御可能な低レベルの軌道プランナーを含む階層型計画アーキテクチャを紹介します。
高レベルのプランナーは一貫したルートを見つける責任を負い、低レベルのプランナーは実現可能な軌道を生成します。
私たちは閉ループ シミュレーションと現実世界の運転の両方で手法を評価し、ニューラル ネットワーク プランナーが複雑な都市自動運転シナリオで優れたパフォーマンスを発揮することを実証します。

要約(オリジナル)

Learning-based approaches have achieved remarkable performance in the domain of autonomous driving. Leveraging the impressive ability of neural networks and large amounts of human driving data, complex patterns and rules of driving behavior can be encoded as a model to benefit the autonomous driving system. Besides, an increasing number of data-driven works have been studied in the decision-making and motion planning module. However, the reliability and the stability of the neural network is still full of uncertainty. In this paper, we introduce a hierarchical planning architecture including a high-level grid-based behavior planner and a low-level trajectory planner, which is highly interpretable and controllable. As the high-level planner is responsible for finding a consistent route, the low-level planner generates a feasible trajectory. We evaluate our method both in closed-loop simulation and real world driving, and demonstrate the neural network planner has outstanding performance in complex urban autonomous driving scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google