Target-point Attention Transformer: A novel trajectory predict network for end-to-end autonomous driving

要約

自律走行の分野では、物体検出、セマンティックセグメンテーション、その他のタスクのための優れた知覚モデルが数多く存在するが、知覚モデルを車両計画に効果的に利用するにはどうすればよいのだろうか？従来の自律走行車の軌跡予測手法では、衝突を避けるために交通ルールを守る必要があるだけでなく、目的地に到達するために決められたルートに従う必要がある。本論文では、Target-point Attention Transformer network (TAT)と呼ばれる、ルールのないエンドツーエンドの自律走行のためのTransformerベースの軌道予測ネットワークを提案する。我々は、予測された軌跡と知覚特徴および目標点との間の相互作用を実現するために、注意メカニズムを用いる。我々の提案手法は、既存の条件模倣学習やGRUベースの手法を凌駕し、事故の発生を大幅に低減し、経路の完成度を向上させることを実証する。CARLAシミュレータを用いて、都市における複雑な閉ループ運転シナリオにおいて本アプローチを評価し、最先端の性能を達成した。

要約(オリジナル)

In the field of autonomous driving, there have been many excellent perception models for object detection, semantic segmentation, and other tasks, but how can we effectively use the perception models for vehicle planning? Traditional autonomous vehicle trajectory prediction methods not only need to obey traffic rules to avoid collisions, but also need to follow the prescribed route to reach the destination. In this paper, we propose a Transformer-based trajectory prediction network for end-to-end autonomous driving without rules called Target-point Attention Transformer network (TAT). We use the attention mechanism to realize the interaction between the predicted trajectory and the perception features as well as target-points. We demonstrate that our proposed method outperforms existing conditional imitation learning and GRU-based methods, significantly reducing the occurrence of accidents and improving route completion. We evaluate our approach in complex closed loop driving scenarios in cities using the CARLA simulator and achieve state-of-the-art performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL