CATPlan: Loss-based Collision Prediction in End-to-End Autonomous Driving

要約

近年、エンドツーエンドの自律運転（AD）システムの設計、トレーニング、評価に関心が高まっています。
しばしば見落とされがちな側面の1つは、安全性と堅牢性を達成するための鍵である自分自身の不確実性が鍵であることを認識しているにもかかわらず、これらのシステムによって予測される計画された軌跡の不確実性です。
不確実性の定量化の文献から損失予測を適応させることにより、この不確実性を推定することを提案します。
この目的のために、エンドツーエンドの広告システムを部分的に監督するために使用される衝突損失の推定に埋め込みを計画し、計画するように訓練されたCatplanと呼ばれる新しい軽量モジュールを紹介します。
推論中、これらの推定値は衝突リスクとして解釈されます。
安全性が批判的で、NERFベースの閉ループベンチマークニューロランキャップでCATPLANを評価し、予測された遷移が他の道路使用者の予測された軌道と比較されるGMMベースのベースライン上の平均精度に対する$ 54.8 \％$の相対改善を検出することができることを発見しました。
私たちの調査結果は、CatPlanの追加がより安全なエンドツーエンド広告システムにつながる可能性があり、私たちの仕事がそのようなシステムの不確実性の定量化への関心を高めることを望んでいることを示しています。

要約(オリジナル)

In recent years, there has been increased interest in the design, training, and evaluation of end-to-end autonomous driving (AD) systems. One often overlooked aspect is the uncertainty of planned trajectories predicted by these systems, despite awareness of their own uncertainty being key to achieve safety and robustness. We propose to estimate this uncertainty by adapting loss prediction from the uncertainty quantification literature. To this end, we introduce a novel light-weight module, dubbed CATPlan, that is trained to decode motion and planning embeddings into estimates of the collision loss used to partially supervise end-to-end AD systems. During inference, these estimates are interpreted as collision risk. We evaluate CATPlan on the safety-critical, nerf-based, closed-loop benchmark NeuroNCAP and find that it manages to detect collisions with a $54.8\%$ relative improvement to average precision over a GMM-based baseline in which the predicted trajectory is compared to the forecasted trajectories of other road users. Our findings indicate that the addition of CATPlan can lead to safer end-to-end AD systems and hope that our work will spark increased interest in uncertainty quantification for such systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google