Planning-Aware Diffusion Networks for Enhanced Motion Forecasting in Autonomous Driving

要約

自動運転技術は大幅な進歩を遂げていますが、既存のモデルでは、動的なエージェント間の相互作用が重要となるマルチエージェント環境の複雑さを完全に捉えることができないことがよくあります。
これに対処するために、私たちは、脳内の意思決定とマルチエージェントの調整を制御する神経メカニズムにヒントを得た新しいフレームワークである計画統合予測モデル (PIFM) を提案します。
PIFM は豊富なコンテキスト情報を活用し、道路構造、交通ルール、周囲の車両の動作を統合して、予測の精度と解釈可能性の両方を向上させます。
予測と計画に関与する神経拡散プロセスに似た拡散ベースのアーキテクチャを採用することで、PIFM はシナリオ内のすべてのエージェントの将来の軌道を予測できます。
このアーキテクチャは、外部刺激や他のエージェントの行動に基づいて予測を動的に調整する脳の方法と類似しているため、モデルの透明性が向上します。
広範な実験により、非常に少ないパラメータで、より安全でより効率的な自動運転システムのための解釈可能な神経科学主導のソリューションを提供する PIFM の能力が検証されています。

要約(オリジナル)

Autonomous driving technology has seen significant advancements, but existing models often fail to fully capture the complexity of multi-agent environments, where interactions between dynamic agents are critical. To address this, we propose the Planning-Integrated Forecasting Model (PIFM), a novel framework inspired by neural mechanisms governing decision-making and multi-agent coordination in the brain. PIFM leverages rich contextual information, integrating road structures, traffic rules, and the behavior of surrounding vehicles to improve both the accuracy and interpretability of predictions. By adopting a diffusion-based architecture, akin to neural diffusion processes involved in predicting and planning, PIFM is able to forecast future trajectories of all agents within a scenario. This architecture enhances model transparency, as it parallels the brain’s method of dynamically adjusting predictions based on external stimuli and other agents’behaviors. Extensive experiments validate PIFM’s capacity to provide interpretable, neuroscience-driven solutions for safer and more efficient autonomous driving systems, with an extremely low number of parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google