Rethinking the Integration of Prediction and Planning in Deep Learning-Based Automated Driving Systems: A Review

要約

自動運転は、個人、公共、貨物のモビリティに革命をもたらす可能性があります。
自動運転車両は、環境を正確に認識することに加えて、安全、快適、効率的な運動軌道を計画する必要があります。
安全性と進歩を促進するために、多くの作品は周囲の交通の将来の動きを予測するモジュールに依存しています。
モジュール式自動運転システムは通常、予測と計画を連続した別個のタスクとして処理します。
これは、自車両に対する周囲の交通の影響を考慮していますが、自車両の動作に対する交通参加者の反応を予測することはできません。
最近のモデルでは、双方向の相互作用をモデル化するために、共同ステップまたは相互依存ステップで予測と計画を統合することが増えています。
現在までのところ、さまざまな統合原則の包括的な概要が不足しています。
私たちは最先端の深層学習ベースの予測と計画を体系的にレビューし、統合された予測と計画モデルに焦点を当てています。
モデル アーキテクチャやモデル設計から動作の側面に至るまで、統合のさまざまな側面が考慮され、相互に関連付けられます。
さらに、さまざまな統合原則の意味、強み、限界についても説明します。
研究のギャップを指摘し、関連する将来の課題を説明し、研究分野の傾向を強調することで、将来の研究の有望な方向性を特定します。

要約(オリジナル)

Automated driving has the potential to revolutionize personal, public, and freight mobility. Beside accurately perceiving the environment, automated vehicles must plan a safe, comfortable, and efficient motion trajectory. To promote safety and progress, many works rely on modules that predict the future motion of surrounding traffic. Modular automated driving systems commonly handle prediction and planning as sequential, separate tasks. While this accounts for the influence of surrounding traffic on the ego vehicle, it fails to anticipate the reactions of traffic participants to the ego vehicle’s behavior. Recent models increasingly integrate prediction and planning in a joint or interdependent step to model bi-directional interactions. To date, a comprehensive overview of different integration principles is lacking. We systematically review state-of-the-art deep learning-based prediction and planning, and focus on integrated prediction and planning models. Different facets of the integration ranging from model architecture and model design to behavioral aspects are considered and related to each other. Moreover, we discuss the implications, strengths, and limitations of different integration principles. By pointing out research gaps, describing relevant future challenges, and highlighting trends in the research field, we identify promising directions for future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google