A Physics-informed End-to-End Occupancy Framework for Motion Planning of Autonomous Vehicles

要約

正確で解釈可能なモーション計画は、自動運転車（AVS）が複雑で不確実な環境をナビゲートするために不可欠です。
最近のエンドツーエンドの占有予測方法により環境理解が向上しましたが、通常、明示的な物理的制約がなく、安全性と一般化が制限されています。
この論文では、検証可能な物理ルールを占有学習プロセスに統合する統合エンドツーエンドのフレームワークを提案します。
具体的には、予測された占有マップがデータ効率で物理的にもっともらしいことを確認するために、ネットワークトレーニング中に物理学に基づいたガイダンスとして人工電位フィールド（APF）を埋め込みました。
私たちのアーキテクチャは、畳み込みと再発性のニューラルネットワークを組み合わせて、モデルの柔軟性を維持しながら、空間的および時間的依存関係をキャプチャします。
実験結果は、この方法がタスクの完了率、安全マージン、および多様な運転シナリオ全体の計画効率を改善し、実際のAVシステムでの信頼できる展開の可能性を確認することを示しています。

要約(オリジナル)

Accurate and interpretable motion planning is essential for autonomous vehicles (AVs) navigating complex and uncertain environments. While recent end-to-end occupancy prediction methods have improved environmental understanding, they typically lack explicit physical constraints, limiting safety and generalization. In this paper, we propose a unified end-to-end framework that integrates verifiable physical rules into the occupancy learning process. Specifically, we embed artificial potential fields (APF) as physics-informed guidance during network training to ensure that predicted occupancy maps are both data-efficient and physically plausible. Our architecture combines convolutional and recurrent neural networks to capture spatial and temporal dependencies while preserving model flexibility. Experimental results demonstrate that our method improves task completion rate, safety margins, and planning efficiency across diverse driving scenarios, confirming its potential for reliable deployment in real-world AV systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google