CogAD: Cognitive-Hierarchy Guided End-to-End Autonomous Driving

要約

エンドツーエンドの自律運転は大幅に進歩していますが、知覚と計画の両方において、一般的な方法は人間の認知原理と根本的に矛盾したままです。
この論文では、人間のドライバーの階層的認知メカニズムをエミュレートする新しいエンドツーエンドの自律運転モデル​​であるCogadを提案します。
COGADは、デュアル階層メカニズムを実装しています。人間のような知覚と、認知インスピレーションを受けた計画のための意図的な条件付きマルチモード軌跡生成のためのグローバルからローカルのコンテスト処理。
提案された方法は、3つの主要な利点を示しています。階層的認識を通じて包括的な環境理解、マルチレベルの計画によって可能になった堅牢な計画探査、およびデュアルレベルの不確実性モデリングによって促進される多様でありながら合理的なマルチモーダル軌跡生成です。
ヌスセンとベンチ2Driveに関する広範な実験は、CoGADがエンドツーエンドの計画で最先端のパフォーマンスを達成し、長期尾のシナリオで特定の優位性を示し、複雑な現実世界の運転条件に対する堅牢な一般化を示すことを示しています。

要約(オリジナル)

While end-to-end autonomous driving has advanced significantly, prevailing methods remain fundamentally misaligned with human cognitive principles in both perception and planning. In this paper, we propose CogAD, a novel end-to-end autonomous driving model that emulates the hierarchical cognition mechanisms of human drivers. CogAD implements dual hierarchical mechanisms: global-to-local context processing for human-like perception and intent-conditioned multi-mode trajectory generation for cognitively-inspired planning. The proposed method demonstrates three principal advantages: comprehensive environmental understanding through hierarchical perception, robust planning exploration enabled by multi-level planning, and diverse yet reasonable multi-modal trajectory generation facilitated by dual-level uncertainty modeling. Extensive experiments on nuScenes and Bench2Drive demonstrate that CogAD achieves state-of-the-art performance in end-to-end planning, exhibiting particular superiority in long-tail scenarios and robust generalization to complex real-world driving conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google