ARTEMIS: Autoregressive End-to-End Trajectory Planning with Mixture of Experts for Autonomous Driving

要約

このペーパーでは、自己回帰の軌跡計画と混合物（MOE）を組み合わせたエンドツーエンドの自律運転フレームワークであるArtemisを紹介します。
従来のモジュラー方法はエラーの伝播に悩まされますが、既存のエンドツーエンドモデルは通常、環境の動的な変化を不十分にキャプチャする静的なワンショット推論パラダイムを採用しています。
Artemisは、軌道のウェイポイントを順次生成することにより異なる方法を採用し、重要な時間的依存関係を保存しながら、シーン固有のクエリを専門の専門家ネットワークに動的にルーティングします。
ガイダンス情報が曖昧な場合に遭遇する軌道の品質劣化の問題を効果的に緩和し、多様な駆動シナリオを処理する際に特異ネットワークアーキテクチャの固有の表現の制限を克服します。
さらに、混合物モデルのトレーニング速度を大幅に改善する軽量バッチリアルロケーション戦略を使用します。
NAVSIMデータセットでの実験を通じて、Artemisは優れた競争力のあるパフォーマンスを示し、ResNet-34バックボーンで87.0 PDMSと83.1 EPDMSを達成し、複数のメトリックで最先端のパフォーマンスを示します。

要約(オリジナル)

This paper presents ARTEMIS, an end-to-end autonomous driving framework that combines autoregressive trajectory planning with Mixture-of-Experts (MoE). Traditional modular methods suffer from error propagation, while existing end-to-end models typically employ static one-shot inference paradigms that inadequately capture the dynamic changes of the environment. ARTEMIS takes a different method by generating trajectory waypoints sequentially, preserves critical temporal dependencies while dynamically routing scene-specific queries to specialized expert networks. It effectively relieves trajectory quality degradation issues encountered when guidance information is ambiguous, and overcomes the inherent representational limitations of singular network architectures when processing diverse driving scenarios. Additionally, we use a lightweight batch reallocation strategy that significantly improves the training speed of the Mixture-of-Experts model. Through experiments on the NAVSIM dataset, ARTEMIS exhibits superior competitive performance, achieving 87.0 PDMS and 83.1 EPDMS with ResNet-34 backbone, demonstrates state-of-the-art performance on multiple metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google