Planning by Simulation: Motion Planning with Learning-based Parallel Scenario Prediction for Autonomous Driving

要約

自動運転車の安全な軌道を計画することは、運用の安全性にとって不可欠ですが、交通参加者間の複雑な相互作用のため、依然として非常に困難です。
最近の自動運転フレームワークは、これらのインタラクションを明示的にモデル化するための予測精度の向上に重点を置いています。
ただし、一部の方法では、自車両の計画が他のエージェントの可能な軌道に与える重大な影響を見落としており、予測精度が変化し、安全でない計画決定につながる可能性があります。
本稿では、学習ベースの並列シナリオ予測（PS）を用いたシミュレーションによる新しい運動計画アプローチを提案します。
PS は、モンテカルロ ツリー検索 (MCTS) に基づいて繰り返し予測を導き出し、エゴ ビークルの計画セットと連携するシナリオを共同推論します。
私たちの方法は、自我車両が潜在的なアクションを実行した後、起こり得るシーンをシミュレートし、そのコストを計算します。
不合理なアクションやシナリオのバランスを取り、排除するために、予測ネットワーク内でエンコードされた将来のインタラクションの可能性を調査するための基盤として MCTS を採用します。
さらに、クエリ中心の軌道予測によりシーン生成が合理化され、他のエージェントの予測と自我車両の計画の間の相互影響を捉える洗練されたフレームワークが可能になります。
私たちは Argoverse 2 データセットに基づいてフレームワークを評価し、その結果は、私たちのアプローチが効果的に並列自我車両計画を達成していることを示しています。

要約(オリジナル)

Planning safe trajectories for autonomous vehicles is essential for operational safety but remains extremely challenging due to the complex interactions among traffic participants. Recent autonomous driving frameworks have focused on improving prediction accuracy to explicitly model these interactions. However, some methods overlook the significant influence of the ego vehicle’s planning on the possible trajectories of other agents, which can alter prediction accuracy and lead to unsafe planning decisions. In this paper, we propose a novel motion Planning approach by Simulation with learning-based parallel scenario prediction (PS). PS deduces predictions iteratively based on Monte Carlo Tree Search (MCTS), jointly inferring scenarios that cooperate with the ego vehicle’s planning set. Our method simulates possible scenes and calculates their costs after the ego vehicle executes potential actions. To balance and prune unreasonable actions and scenarios, we adopt MCTS as the foundation to explore possible future interactions encoded within the prediction network. Moreover, the query-centric trajectory prediction streamlines our scene generation, enabling a sophisticated framework that captures the mutual influence between other agents’ predictions and the ego vehicle’s planning. We evaluate our framework on the Argoverse 2 dataset, and the results demonstrate that our approach effectively achieves parallel ego vehicle planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google