Learning Isometric Embeddings of Road Networks using Multidimensional Scaling

要約

学習ベースの自律運転アプリケーションの一般化の欠如は、車両が現在カバーできる狭い範囲の道路シナリオによって示されています。
一般化可能なアプローチでは、多くの異なる道路構造とトポロジーをキャプチャするだけでなく、トラフィック参加者、および環境の動的な変化を検討して、車両が最も困難な状況でもモーション計画タスクをナビゲートおよび実行できるようにする必要があります。
あらゆる種類の道路シナリオをカプセル化するニューラルネットワークベースのモーションプレーナーに適した機能スペースを設計することは、依然としてオープンな研究の課題です。
このペーパーは、この学習ベースの一般化課題に取り組み、そのような特徴スペースを取得するために多次元スケーリング（MDS）技術を使用して道路ネットワークのグラフ表現をどのように活用できるかを示しています。
最先端のグラフ表現とMDSアプローチは、自律運転のユースケースについて分析されます。
最後に、グラフノードを埋め込むオプションについて説明し、より簡単な学習手順を実行し、次元の削減を得るために説明します。

要約(オリジナル)

The lack of generalization in learning-based autonomous driving applications is shown by the narrow range of road scenarios that vehicles can currently cover. A generalizable approach should capture many distinct road structures and topologies, as well as consider traffic participants, and dynamic changes in the environment, so that vehicles can navigate and perform motion planning tasks even in the most difficult situations. Designing suitable feature spaces for neural network-based motion planers that encapsulate all kinds of road scenarios is still an open research challenge. This paper tackles this learning-based generalization challenge and shows how graph representations of road networks can be leveraged by using multidimensional scaling (MDS) techniques in order to obtain such feature spaces. State-of-the-art graph representations and MDS approaches are analyzed for the autonomous driving use case. Finally, the option of embedding graph nodes is discussed in order to perform easier learning procedures and obtain dimensionality reduction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google