Towards learning-based planning:The nuPlan benchmark for real-world autonomous driving

要約

機械学習 (ML) は、自動運転車の認識と予測のための従来の手作りの方法に取って代わりました。
しかし、同様に重要な計画タスクに関しては、ML ベースの技術の導入は遅れています。
世界初の実世界の自動運転データセットとベンチマークである nuPlan を紹介します。
このベンチマークは、ML ベースのプランナーが多様な運転状況に対処し、安全かつ効率的な意思決定を行う能力をテストするように設計されています。
そのために、4 都市 (ラスベガス、ボストン、ピッツバーグ、シンガポール) の 1,282 時間の多様な運転シナリオで構成され、高品質の自動ラベル付けされたオブジェクト トラックと信号機データを含む、新しい大規模データセットを導入します。
私たちは、プランナーのパフォーマンスと特性についてのきめ細かい洞察を得るために、評価中に使用される一般的な運転シナリオとまれな運転シナリオを徹底的にマイニングして分類します。
データセットを超えて、他の交通参加者との相互作用を考慮してプランナーのアクションを閉ループでシミュレートできるようにするシミュレーションおよび評価フレームワークを提供します。
多数のベースラインの詳細な分析を提示し、ML ベースの手法と従来の手法の間のギャップを調査します。
nuPlan データセットとコードは nuplan.org で見つけてください。

要約(オリジナル)

Machine Learning (ML) has replaced traditional handcrafted methods for perception and prediction in autonomous vehicles. Yet for the equally important planning task, the adoption of ML-based techniques is slow. We present nuPlan, the world’s first real-world autonomous driving dataset, and benchmark. The benchmark is designed to test the ability of ML-based planners to handle diverse driving situations and to make safe and efficient decisions. To that end, we introduce a new large-scale dataset that consists of 1282 hours of diverse driving scenarios from 4 cities (Las Vegas, Boston, Pittsburgh, and Singapore) and includes high-quality auto-labeled object tracks and traffic light data. We exhaustively mine and taxonomize common and rare driving scenarios which are used during evaluation to get fine-grained insights into the performance and characteristics of a planner. Beyond the dataset, we provide a simulation and evaluation framework that enables a planner’s actions to be simulated in closed-loop to account for interactions with other traffic participants. We present a detailed analysis of numerous baselines and investigate gaps between ML-based and traditional methods. Find the nuPlan dataset and code at nuplan.org.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google