Interactive Motion Planning for Autonomous Vehicles with Joint Optimization

要約

高度にインタラクティブな運転シナリオでは、1 人のエージェントの行動が近隣のエージェントの行動に大きな影響を与えます。
したがって、このようなインタラクティブな環境で自動運転車の安全な動作を計画するには、自我の意図した動作計画が近くのエージェントの動作に与える影響について推論する必要があります。
最近、深層学習ベースのモデルが軌道予測で大きな成功を収めており、文献にある多くのモデルが自我条件付き予測を可能にしています。
ただし、ニューラル ネットワークの複雑な性質により、下流の計画において自我条件付き予測を活用することは依然として困難であり、プランナーの構造がサンプル ベースのプランナーなどの単純なものに限定されます。
モデル予測制御 (MPC) などの勾配ベースの計画アルゴリズムは、きめ細かい高品質の動作計画を生成できるにもかかわらず、反復的な性質と勾配の必要性のため、自己条件付き予測を活用することが困難です。
計算的にスケーラブルな方法で MPC と学習された予測モデルを橋渡しし、両方の長所を提供する Interactive Joint Planning (IJP) を紹介します。
特に、IJP はエゴと周囲のエージェントの動作を共同で最適化し、結合軌道の最適化がそれに近づこうとする事前予測として深層学習された予測モデルを活用します。
さらに、ホモトピー クラスを活用することで、共同オプティマイザーは多様な運動計画を検索し、極小値での行き詰まりを回避します。
閉ループ シミュレーションの結果は、IJP が、共同最適化を行わない場合、またはサンプリング ベースの計画を実行した場合のベースラインよりも大幅に優れていることを示しています。

要約(オリジナル)

In highly interactive driving scenarios, the actions of one agent greatly influences those of its neighbors. Planning safe motions for autonomous vehicles in such interactive environments, therefore, requires reasoning about the impact of the ego’s intended motion plan on nearby agents’ behavior. Deep-learning-based models have recently achieved great success in trajectory prediction and many models in the literature allow for ego-conditioned prediction. However, leveraging ego-conditioned prediction remains challenging in downstream planning due to the complex nature of neural networks, limiting the planner structure to simple ones, e.g., sampling-based planner. Despite their ability to generate fine-grained high-quality motion plans, it is difficult for gradient-based planning algorithms, such as model predictive control (MPC), to leverage ego-conditioned prediction due to their iterative nature and need for gradient. We present Interactive Joint Planning (IJP) that bridges MPC with learned prediction models in a computationally scalable manner to provide us the best of both the worlds. In particular, IJP jointly optimizes over the behavior of the ego and the surrounding agents and leverages deep-learned prediction models as prediction priors that the join trajectory optimization tries to stay close to. Furthermore, by leveraging homotopy classes, our joint optimizer searches over diverse motion plans to avoid getting stuck at local minima. Closed-loop simulation result shows that IJP significantly outperforms the baselines that are either without joint optimization or running sampling-based planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google