Enhance Planning with Physics-informed Safety Controllor for End-to-end Autonomous Driving

要約

近年、自動運転技術におけるディープ ニューラル ネットワーク (DNN) の応用に対する研究への関心が高まっています。
この傾向は数年前に認識と予測から始まり、徐々に動作計画タスクに適用されています。
ネットワークのパフォーマンスは時間の経過とともに向上しますが、DNN プランナーは深層学習の当然の欠点を引き継ぎます。
学習ベースのプランナーがトレーニング データセットで完全な精度を達成するには限界があり、ネットワーク パフォーマンスは分布外の問題によって影響を受ける可能性があります。
この論文では、安全性を確保するために物理学に基づいた制御を組み合わせた、新しい軌道ベースのエンドツーエンド駆動融合フレームワークである FusionAssurance を提案します。
ポテンシャル フィールドをモデル予測制御に組み込むことで、FusionAssurance はトレーニング データセットに含まれていないシナリオやニューラル ネットワークが一般化できないシナリオをナビゲートできるようになります。
このアプローチの有効性は、CARLA ベンチマークのさまざまなシナリオでの広範な実験によって実証されています。

要約(オリジナル)

Recent years have seen a growing research interest in applications of Deep Neural Networks (DNN) on autonomous vehicle technology. The trend started with perception and prediction a few years ago and it is gradually being applied to motion planning tasks. Despite the performance of networks improve over time, DNN planners inherit the natural drawbacks of Deep Learning. Learning-based planners have limitations in achieving perfect accuracy on the training dataset and network performance can be affected by out-of-distribution problem. In this paper, we propose FusionAssurance, a novel trajectory-based end-to-end driving fusion framework which combines physics-informed control for safety assurance. By incorporating Potential Field into Model Predictive Control, FusionAssurance is capable of navigating through scenarios that are not included in the training dataset and scenarios where neural network fail to generalize. The effectiveness of the approach is demonstrated by extensive experiments under various scenarios on the CARLA benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google