Rethinking Imitation-based Planner for Autonomous Driving

要約

近年、模倣ベースの運転プランナーが大きな成功を収めていると報告されています。
ただし、標準化されたベンチマークがないため、さまざまな設計の有効性は依然として不明瞭です。
新しくリリースされた nuPlan は、大規模な現実世界のデータセットと公平な比較のための標準化された閉ループ ベンチマークを提供することで、この問題に対処します。
このプラットフォームを利用して、私たちは、模倣ベースのプランナーの 2 つの基本的でありながら十分に研究されていない側面、つまりエゴ プランニングに不可欠な機能と、複合エラーを削減するための効果的なデータ拡張技術に関する包括的な研究を実施します。
さらに、現在の学習システムでは見落とされてきた模倣のギャップを強調します。
最後に、私たちの調査結果を統合して、強力なベースライン モデルである PlanTF を提案します。
私たちの結果は、適切に設計された純粋に模倣ベースのプランナーが、手作りのルールを伴う最先端の方法と比較して非常に競争力のあるパフォーマンスを達成でき、ロングテールの場合に優れた一般化能力を発揮できることを示しています。
私たちのモデルとベンチマークは公開されています。
プロジェクトのウェブサイト https://jchengai.github.io/planTF。

要約(オリジナル)

In recent years, imitation-based driving planners have reported considerable success. However, due to the absence of a standardized benchmark, the effectiveness of various designs remains unclear. The newly released nuPlan addresses this issue by offering a large-scale real-world dataset and a standardized closed-loop benchmark for equitable comparisons. Utilizing this platform, we conduct a comprehensive study on two fundamental yet underexplored aspects of imitation-based planners: the essential features for ego planning and the effective data augmentation techniques to reduce compounding errors. Furthermore, we highlight an imitation gap that has been overlooked by current learning systems. Finally, integrating our findings, we propose a strong baseline model-PlanTF. Our results demonstrate that a well-designed, purely imitation-based planner can achieve highly competitive performance compared to state-of-the-art methods involving hand-crafted rules and exhibit superior generalization capabilities in long-tail cases. Our models and benchmarks are publicly available. Project website https://jchengai.github.io/planTF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google