Tractable Joint Prediction and Planning over Discrete Behavior Modes for Urban Driving

要約

自動運転のためのマルチモーダル軌道予測モデルのトレーニングにおいては、大きな進歩が見られました。
ただし、これらのモデルを下流のプランナーおよびモデルベースの制御アプローチと効果的に統合することは、依然として未解決の問題です。
これらのモデルは従来、開ループ予測用に評価されてきましたが、再学習せずに自己回帰閉ループ モデルをパラメータ化するために使用できることを示します。
私たちは、学習されたアンカー埋め込みを利用して複数の軌道を予測する最近の軌道予測アプローチを検討し、これらのアンカー埋め込みが高レベルの運転行動を表す離散的で個別のモードをパラメータ化できることを発見しました。
私たちは、これらの離散潜在モードに対して完全に反応的な閉ループ計画を実行し、各ステップでのエージェント間の因果関係を扱いやすくモデル化できるようにすることを提案します。
私たちは一連のより動的なマージ シナリオでアプローチを検証し、このアプローチが従来のプランナーに蔓延している $\textit{フリーズ ロボット問題}$ を回避できることを発見しました。
また、当社のアプローチは、現実的な速度で評価した場合、困難な高密度交通シナリオにおいて、CARLA の以前の最先端技術を上回ります。

要約(オリジナル)

Significant progress has been made in training multimodal trajectory forecasting models for autonomous driving. However, effectively integrating these models with downstream planners and model-based control approaches is still an open problem. Although these models have conventionally been evaluated for open-loop prediction, we show that they can be used to parameterize autoregressive closed-loop models without retraining. We consider recent trajectory prediction approaches which leverage learned anchor embeddings to predict multiple trajectories, finding that these anchor embeddings can parameterize discrete and distinct modes representing high-level driving behaviors. We propose to perform fully reactive closed-loop planning over these discrete latent modes, allowing us to tractably model the causal interactions between agents at each step. We validate our approach on a suite of more dynamic merging scenarios, finding that our approach avoids the $\textit{frozen robot problem}$ which is pervasive in conventional planners. Our approach also outperforms the previous state-of-the-art in CARLA on challenging dense traffic scenarios when evaluated at realistic speeds.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google