DeepIPC: Deeply Integrated Perception and Control for an Autonomous Vehicle in Real Environments

要約

この研究では、認識タスクと制御タスクをシームレスに統合する、自動運転向けに調整された新しいエンドツーエンド モデルである DeepIPC を紹介します。
これらのタスクを個別に処理する従来のモデルとは異なり、DeepIPC は、セマンティック セグメンテーションのために RGBD 画像を処理し、鳥瞰図 (BEV) マッピングを生成する認識モジュールと、これらの洞察を GNSS および角速度測定とともに利用して正確に測定するコントローラー モジュールを革新的に組み合わせます。
ナビゲーションのウェイポイントを予測します。
この統合により、DeepIPC は複雑な環境データを実用的な運転コマンドに効率的に変換できるようになります。
私たちの包括的な評価では、現実世界のさまざまなシナリオにわたる運転性とマルチタスク効率の点で DeepIPC の優れたパフォーマンスが実証され、より無駄のないモデル アーキテクチャを備えたエンドツーエンドの自動運転システムの新たなベンチマークが設定されました。
この実験結果は、自動運転車両ナビゲーションを大幅に強化する DeepIPC の可能性を強調し、自動運転技術の開発における一歩前進を約束します。
さらなる洞察と複製のために、コードとデータセットを https://github.com/oskarnatan/DeepIPC で利用できるようにします。

要約(オリジナル)

In this work, we introduce DeepIPC, a novel end-to-end model tailored for autonomous driving, which seamlessly integrates perception and control tasks. Unlike traditional models that handle these tasks separately, DeepIPC innovatively combines a perception module, which processes RGBD images for semantic segmentation and generates bird’s eye view (BEV) mappings, with a controller module that utilizes these insights along with GNSS and angular speed measurements to accurately predict navigational waypoints. This integration allows DeepIPC to efficiently translate complex environmental data into actionable driving commands. Our comprehensive evaluation demonstrates DeepIPC’s superior performance in terms of drivability and multi-task efficiency across diverse real-world scenarios, setting a new benchmark for end-to-end autonomous driving systems with a leaner model architecture. The experimental results underscore DeepIPC’s potential to significantly enhance autonomous vehicular navigation, promising a step forward in the development of autonomous driving technologies. For further insights and replication, we will make our code and datasets available at https://github.com/oskarnatan/DeepIPC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google