GAD-Generative Learning for HD Map-Free Autonomous Driving

要約

ディープラーニングベースの技術は、近年量産用の自動運転ソフトウェアスタックに広く採用されており、主に知覚モジュールに焦点を当てており、この方法を予測モジュールに拡張する取り組みも行われています。
ただし、下流の計画および制御モジュールは依然として、二次計画法やモデル予測制御などの最適化ベースの手法が主流の、大量の手作りルールを使用して設計されています。
その結果、手動で作成したルールを列挙するだけでは特殊なケースを解決できないという点で、自動運転システムのパフォーマンスのボトルネックが生じます。
我々は、予測、決定、計画モジュールを組み合わせた深層学習ベースのアプローチと、特に都市部における自動運転の実世界への応用におけるルールベースの手法の欠陥を克服する試みを紹介します。
私たちが提案した DNN モデルは、10 時間の人間のドライバー データのみを使用してトレーニングされており、これまでに市場で入手可能なすべての量産型 ADAS 機能をサポートしています。
このメソッドは、工場出荷時のセンサー セットとコンピューティング プラットフォームを変更することなく、Jiyue テスト カーに導入されます。
この記事では、実現可能性、使いやすさ、商業的な可能性について説明します。

要約(オリジナル)

Deep-learning-based techniques have been widely adopted for autonomous driving software stacks for mass production in recent years, focusing primarily on perception modules, with some work extending this method to prediction modules. However, the downstream planning and control modules are still designed with hefty handcrafted rules, dominated by optimization-based methods such as quadratic programming or model predictive control. This results in a performance bottleneck for autonomous driving systems in that corner cases simply cannot be solved by enumerating hand-crafted rules. We present a deep-learning-based approach that brings prediction, decision, and planning modules together with the attempt to overcome the rule-based methods’ deficiency in real-world applications of autonomous driving, especially for urban scenes. The DNN model we proposed is solely trained with 10 hours of human driver data, and it supports all mass-production ADAS features available on the market to date. This method is deployed onto a Jiyue test car with no modification to its factory-ready sensor set and compute platform. the feasibility, usability, and commercial potential are demonstrated in this article.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google