Pioneering SE(2)-Equivariant Trajectory Planning for Automated Driving

要約

制御された自我車両の軌道を計画することは、自動運転における重要な課題です。
人間のドライバーにとって、周囲の車両の動きを予測することは、自らの行動を計画するために重要です。
最近の動き予測方法では、等変ニューラル ネットワークを利用して、シーン内の幾何学的対称性を利用しています。
しかし、入力空間の回転変換の下で等分散性を保証しながら、動作予測と軌道計画を共同ステップで組み合わせた既存の方法はありません。
私たちは、すべての車両に対してマルチモーダルな共同予測を生成し、エゴ プランとして 1 つのモードを選択する軽量の等変計画モデルを提案することで、このギャップに対処します。
等変ネットワーク設計により、サンプル効率が向上し、出力の安定性が保証され、モデル パラメーターが削減されます。
さらに、既製の GPS ナビゲーション システムによって提供される高レベルのルートに沿って自車両を誘導するための等変ルート アトラクションを提案します。
このモジュールは、等分散特性を維持しながら、埋め込まれた車両の位置から潜在空間内のルートに向かう運動量を作成します。
ルート アトラクションにより、車両を正確なルートに固執させることなく、目標指向の動作が可能になります。
私たちは、プランナーの能力を調査するために、挑戦的な nuScenes データセットで実験を実施します。
結果は、計画された軌道が入力シーンの回転変換下で安定していることを示しており、これはモデルの等分散性を示しています。
トレーニングにデータセットの小さな分割しか使用していないにもかかわらず、私たちの方法は 3 秒での L2 距離を 20.6% 改善し、最先端技術を上回っています。

要約(オリジナル)

Planning the trajectory of the controlled ego vehicle is a key challenge in automated driving. As for human drivers, predicting the motions of surrounding vehicles is important to plan the own actions. Recent motion prediction methods utilize equivariant neural networks to exploit geometric symmetries in the scene. However, no existing method combines motion prediction and trajectory planning in a joint step while guaranteeing equivariance under roto-translations of the input space. We address this gap by proposing a lightweight equivariant planning model that generates multi-modal joint predictions for all vehicles and selects one mode as the ego plan. The equivariant network design improves sample efficiency, guarantees output stability, and reduces model parameters. We further propose equivariant route attraction to guide the ego vehicle along a high-level route provided by an off-the-shelf GPS navigation system. This module creates a momentum from embedded vehicle positions toward the route in latent space while keeping the equivariance property. Route attraction enables goal-oriented behavior without forcing the vehicle to stick to the exact route. We conduct experiments on the challenging nuScenes dataset to investigate the capability of our planner. The results show that the planned trajectory is stable under roto-translations of the input scene which demonstrates the equivariance of our model. Despite using only a small split of the dataset for training, our method improves L2 distance at 3 s by 20.6 % and surpasses the state of the art.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google