MBAPPE: MCTS-Built-Around Prediction for Planning Explicitly

要約

我々は、ツリー検索と部分的に学習された環境モデルを組み合わせた、自動運転のための動作計画への新しいアプローチである MBAPPE を紹介します。
モンテカルロ検索ツリー (MCTS) の固有の説明可能な探索および最適化機能を活用することで、私たちの手法は動的な環境における複雑な意思決定に対処します。
私たちは、MCTS と教師あり学習を組み合わせたフレームワークを提案し、自動運転車がさまざまなシナリオを効果的にナビゲートできるようにします。
実験結果は、私たちのアプローチの有効性と適応性を実証し、リアルタイムの意思決定と衝突回避の向上を示しています。
この論文は、自動運転システムの動作計画のための堅牢なソリューションを提供し、その説明可能性と信頼性を向上させることで、この分野に貢献します。

要約(オリジナル)

We present MBAPPE, a novel approach to motion planning for autonomous driving combining tree search with a partially-learned model of the environment. Leveraging the inherent explainable exploration and optimization capabilities of the Monte-Carlo Search Tree (MCTS), our method addresses complex decision-making in a dynamic environment. We propose a framework that combines MCTS with supervised learning, enabling the autonomous vehicle to effectively navigate through diverse scenarios. Experimental results demonstrate the effectiveness and adaptability of our approach, showcasing improved real-time decision-making and collision avoidance. This paper contributes to the field by providing a robust solution for motion planning in autonomous driving systems, enhancing their explainability and reliability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google