SAH-Drive: A Scenario-Aware Hybrid Planner for Closed-Loop Vehicle Trajectory Generation

要約

信頼できる計画は、自律運転を達成するために重要です。
ルールベースのプランナーは効率的ですが、一般化が欠けていますが、学習ベースのプランナーは一般化に優れていますが、リアルタイムのパフォーマンスと解釈性に制限があります。
ロングテールシナリオでは、これらの課題により、計画は特に困難になります。
ルールベースと学習ベースのプランナーの両方の強みを活用するために、閉ループ車両軌道計画のシナリオアウェアハイブリッドプランナー（SAHドライブ）を提案しました。
SAH-Driveは、人間の運転行動に触発され、軽量のルールベースのプランナーと包括的な学習ベースのプランナーを組み合わせて、デュアルタイムスケールの決定ニューロンを利用して最終的な軌跡を決定します。
ハイブリッドプランナーの計算効率と堅牢性を高めるために、拡散提案番号レギュレーターと軌道融合モジュールも採用しました。
実験結果は、提案された方法が計画システムの一般化能力を大幅に改善し、実質的なランタイムを発生させることなく計算効率を維持しながら、インタープランで最先端のパフォーマンスを達成することを示しています。

要約(オリジナル)

Reliable planning is crucial for achieving autonomous driving. Rule-based planners are efficient but lack generalization, while learning-based planners excel in generalization yet have limitations in real-time performance and interpretability. In long-tail scenarios, these challenges make planning particularly difficult. To leverage the strengths of both rule-based and learning-based planners, we proposed the Scenario-Aware Hybrid Planner (SAH-Drive) for closed-loop vehicle trajectory planning. Inspired by human driving behavior, SAH-Drive combines a lightweight rule-based planner and a comprehensive learning-based planner, utilizing a dual-timescale decision neuron to determine the final trajectory. To enhance the computational efficiency and robustness of the hybrid planner, we also employed a diffusion proposal number regulator and a trajectory fusion module. The experimental results show that the proposed method significantly improves the generalization capability of the planning system, achieving state-of-the-art performance in interPlan, while maintaining computational efficiency without incurring substantial additional runtime.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google