Hybrid Imitation-Learning Motion Planner for Urban Driving

要約

nuPlan や Argoverse などのオープンソース データセットのリリースにより、学習ベースのプランナーに関する研究はここ数年で大きく広がりました。
既存のシステムは、人間のドライバーの行動を模倣する優れた機能を示していますが、安全な閉ループ運転を保証するのに苦労しています。
逆に、最適化ベースのプランナーは、短期的な計画シナリオにおいてより高いセキュリティを提供します。
この課題に対処するために、この論文では、学習ベースの技術と最適化ベースの技術の両方を統合する新しいハイブリッド モーション プランナーを提案します。
最初に、多層パーセプトロン (MLP) が人間のような軌道を生成し、その後、最適化ベースのコンポーネントによって改良されます。
このコンポーネントは、追跡エラーを最小限に抑えるだけでなく、運動学的に実現可能で、障害物や道路の境界と衝突しない軌道を計算します。
私たちのモデルは、安全性と人間らしさのバランスを効果的に取り、これらの目的に固有のトレードオフを軽減します。
私たちはシミュレーション実験を通じてアプローチを検証し、実際の自動運転車に導入することでその有効性をさらに実証します。

要約(オリジナル)

With the release of open source datasets such as nuPlan and Argoverse, the research around learning-based planners has spread a lot in the last years. Existing systems have shown excellent capabilities in imitating the human driver behaviour, but they struggle to guarantee safe closed-loop driving. Conversely, optimization-based planners offer greater security in short-term planning scenarios. To confront this challenge, in this paper we propose a novel hybrid motion planner that integrates both learning-based and optimization-based techniques. Initially, a multilayer perceptron (MLP) generates a human-like trajectory, which is then refined by an optimization-based component. This component not only minimizes tracking errors but also computes a trajectory that is both kinematically feasible and collision-free with obstacles and road boundaries. Our model effectively balances safety and human-likeness, mitigating the trade-off inherent in these objectives. We validate our approach through simulation experiments and further demonstrate its efficacy by deploying it in real-world self-driving vehicles.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google