Learning Sampling Distribution and Safety Filter for Autonomous Driving with VQ-VAE and Differentiable Optimization

要約

分布から軌跡をサンプリングし、その後、指定されたコスト関数に基づいてそれらをランク付けするのは、自動運転における一般的なアプローチです。
通常、サンプリング分布は手動で作成されます (ガウス分布やグリッドなど)。
最近では、Conditional variational Autoencoder (CVAE) などの生成モデルを通じてサンプリング分布を学習する取り組みが行われています。
ただし、これらのアプローチでは、CVAE のガウス潜在事前分布により、運転行動のマルチモダリティを捉えることができません。
そこで、この論文では、ベクトル量子化変分オートエンコーダ (VQ-VAE) による分布学習を再考します。VQ-VAE の離散潜在空間は、マルチモーダルなサンプリング分布を捕捉するのに十分な機能を備えています。
VQ-VAE は、最適な軌道のデモンストレーション データを使用してトレーニングされます。
さらに、VQVAE サンプリングされた軌道を最小限に修正して衝突回避を確実にする、微分可能な最適化ベースの安全フィルターを提案します。
自己教師あり学習セットアップの最適化層を介した逆伝播を使用して、安全フィルターの適切な初期化と最適なパラメーターを学習します。
私たちは、密集した激しい交通シナリオで最先端の CVAE ベースのベースラインと広範な比較を実行し、競争力のある走行速度でありながら、衝突率が最大 12 分の 1 に減少することを示しました。

要約(オリジナル)

Sampling trajectories from a distribution followed by ranking them based on a specified cost function is a common approach in autonomous driving. Typically, the sampling distribution is hand-crafted (e.g a Gaussian, or a grid). Recently, there have been efforts towards learning the sampling distribution through generative models such as Conditional Variational Autoencoder (CVAE). However, these approaches fail to capture the multi-modality of the driving behaviour due to the Gaussian latent prior of the CVAE. Thus, in this paper, we re-imagine the distribution learning through vector quantized variational autoencoder (VQ-VAE), whose discrete latent-space is well equipped to capture multi-modal sampling distribution. The VQ-VAE is trained with demonstration data of optimal trajectories. We further propose a differentiable optimization based safety filter to minimally correct the VQVAE sampled trajectories to ensure collision avoidance. We use backpropagation through the optimization layers in a self-supervised learning set-up to learn good initialization and optimal parameters of the safety filter. We perform extensive comparisons with state-of-the-art CVAE-based baseline in dense and aggressive traffic scenarios and show a reduction of up to 12 times in collision-rate while being competitive in driving speeds.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google