Sampling for Model Predictive Trajectory Planning in Autonomous Driving using Normalizing Flows

要約

最適化ベースのプランナーと並んで、サンプリングベースのアプローチは、そのシンプルさから自動運転の軌道計画によく使用されます。
モデル予測パス積分制御は、入力軌跡の確率的サンプリングを組み込みながら、最適化原理に基づいて構築されるフレームワークです。
この論文では、軌道生成のためのいくつかのサンプリング手法を調査します。
これに関連して、変分推論の分野に由来する正規化フローは、単純な分布からより複雑な分布への変換をモデル化するため、サンプリング分布の生成のために考慮されます。
したがって、学習ベースの正規化フロー モデルは、当面のタスクの入力ドメインをより効率的に探索できるようにトレーニングされます。
開発されたアルゴリズムと提案されたサンプリング分布は、2 つのシミュレーション シナリオで評価されます。

要約(オリジナル)

Alongside optimization-based planners, sampling-based approaches are often used in trajectory planning for autonomous driving due to their simplicity. Model predictive path integral control is a framework that builds upon optimization principles while incorporating stochastic sampling of input trajectories. This paper investigates several sampling approaches for trajectory generation. In this context, normalizing flows originating from the field of variational inference are considered for the generation of sampling distributions, as they model transformations of simple to more complex distributions. Accordingly, learning-based normalizing flow models are trained for a more efficient exploration of the input domain for the task at hand. The developed algorithm and the proposed sampling distributions are evaluated in two simulation scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google