PLUTO: Pushing the Limit of Imitation Learning-based Planning for Autonomous Driving

要約

私たちは、自動運転のための模倣学習ベースの計画の限界を押し上げる強力なフレームワークである PLUTO を紹介します。
私たちの改善は 3 つの重要な側面から生じています。1 つは、柔軟で多様な運転行動を可能にする縦横認識モデル アーキテクチャです。
広範囲に適用可能でバッチ式計算に効率的な革新的な補助損失計算方法。
対照学習を活用した新しいトレーニング フレームワーク。運転行動を規制し、根底にある相互作用の理解を促進するための新しいデータ拡張スイートによって強化されています。
私たちは、大規模な現実世界の nuPlan データセットとそれに関連する標準化された計画ベンチマークを使用してフレームワークを評価しました。
印象的なことに、PLUTO は最先端の閉ループ パフォーマンスを実現し、他の競合する学習ベースの手法を上回り、現在最高のパフォーマンスを誇るルールベースのプランナーを初めて上回りました。
結果とコードは https://jchengai.github.io/pluto で入手できます。

要約(オリジナル)

We present PLUTO, a powerful framework that pushes the limit of imitation learning-based planning for autonomous driving. Our improvements stem from three pivotal aspects: a longitudinal-lateral aware model architecture that enables flexible and diverse driving behaviors; An innovative auxiliary loss computation method that is broadly applicable and efficient for batch-wise calculation; A novel training framework that leverages contrastive learning, augmented by a suite of new data augmentations to regulate driving behaviors and facilitate the understanding of underlying interactions. We assessed our framework using the large-scale real-world nuPlan dataset and its associated standardized planning benchmark. Impressively, PLUTO achieves state-of-the-art closed-loop performance, beating other competing learning-based methods and surpassing the current top-performed rule-based planner for the first time. Results and code are available at https://jchengai.github.io/pluto.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google