End-to-End Predictive Planner for Autonomous Driving with Consistency Models

要約

軌道の予測と計画は、自動運転車が動的環境で安全かつ効率的にナビゲートするための基本的なコンポーネントです。
従来、これらのコンポーネントはしばしば別々のモジュールとして扱われており、インタラクティブな計画を実行する能力を制限し、マルチエージェントシナリオでの計算非効率性につながります。
この論文では、予測と計画を単一の一貫性モデルと統合する新しい統一されたデータ駆動型フレームワークを紹介します。
現実世界の人間の運転データセットで訓練された一貫性モデルは、エゴと複数の周囲のエージェントの高次元的なジョイント軌道分布からサンプルを生成し、エンドツーエンドの予測計画を可能にします。
他の道路利用者との安全で効率的な相互作用の両方を確保するために、積極的な微調整や降伏などのインタラクティブな動作を効果的に生成します。
エゴ車両に追加の計画制約を組み込むために、オンラインガイドサンプリングにおける多目的ガイダンスのための交互の方向方法を提案します。
拡散モデルと比較して、一貫性モデルは、サンプリングステップが少なくなるとパフォーマンスが向上し、リアルタイムの展開に適しています。
Waymo Open Motion Dataset（WOMD）の実験結果は、さまざまな既存のアプローチと比較して、軌跡の品質、制約満足度、およびインタラクティブな動作における方法の優位性を示しています。

要約(オリジナル)

Trajectory prediction and planning are fundamental components for autonomous vehicles to navigate safely and efficiently in dynamic environments. Traditionally, these components have often been treated as separate modules, limiting the ability to perform interactive planning and leading to computational inefficiency in multi-agent scenarios. In this paper, we present a novel unified and data-driven framework that integrates prediction and planning with a single consistency model. Trained on real-world human driving datasets, our consistency model generates samples from high-dimensional, multimodal joint trajectory distributions of the ego and multiple surrounding agents, enabling end-to-end predictive planning. It effectively produces interactive behaviors, such as proactive nudging and yielding to ensure both safe and efficient interactions with other road users. To incorporate additional planning constraints on the ego vehicle, we propose an alternating direction method for multi-objective guidance in online guided sampling. Compared to diffusion models, our consistency model achieves better performance with fewer sampling steps, making it more suitable for real-time deployment. Experimental results on Waymo Open Motion Dataset (WOMD) demonstrate our method’s superiority in trajectory quality, constraint satisfaction, and interactive behavior compared to various existing approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google