QuAD: Query-based Interpretable Neural Motion Planning for Autonomous Driving

要約

自動運転車は、適切な行動を決定するために環境を理解する必要があります。
従来の自律システムは、物体検出を利用してシーン内のエージェントを見つけます。
ただし、オブジェクト検出ではオブジェクトの離散的なセットが想定されており、不確実性に関する情報が失われるため、これらのエージェントの将来の動作を予測する際にはエラーがさらに悪化します。
あるいは、自由空間を理解するために、密な占有グリッド マップが利用されてきました。
ただし、特定の時空間領域のみが到達可能であり、自動運転車に関連しているため、シーン全体のグリッドを予測することは無駄です。
私たちは、最初に認識し、次に予測し、最後に計画するというカスケード モジュールから脱却する、統合され、解釈可能で効率的な自律フレームワークを提示します。
代わりに、パラダイムをシフトして、プランナー クエリが関連する時空間点で占有されるようにし、計算を対象領域に制限します。
この表現を利用して、衝突回避、快適性、安全性と解釈可能性の進歩などの主要な要素を中心に候補軌道を評価します。
私たちのアプローチは、最先端の高忠実度閉ループ シミュレーションよりも優れた高速道路走行品質を実現します。

要約(オリジナル)

A self-driving vehicle must understand its environment to determine the appropriate action. Traditional autonomy systems rely on object detection to find the agents in the scene. However, object detection assumes a discrete set of objects and loses information about uncertainty, so any errors compound when predicting the future behavior of those agents. Alternatively, dense occupancy grid maps have been utilized to understand free-space. However, predicting a grid for the entire scene is wasteful since only certain spatio-temporal regions are reachable and relevant to the self-driving vehicle. We present a unified, interpretable, and efficient autonomy framework that moves away from cascading modules that first perceive, then predict, and finally plan. Instead, we shift the paradigm to have the planner query occupancy at relevant spatio-temporal points, restricting the computation to those regions of interest. Exploiting this representation, we evaluate candidate trajectories around key factors such as collision avoidance, comfort, and progress for safety and interpretability. Our approach achieves better highway driving quality than the state-of-the-art in high-fidelity closed-loop simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google