Diffusion-Based Planning for Autonomous Driving with Flexible Guidance

要約

複雑なオープンワールド環境で人間のような運転行動を達成することは、自律運転における重要な課題です。
模倣学習方法などの現代の学習ベースの計画アプローチは、競合する目標と安全保証の欠如のバランスをとるのに苦労しています。
事前定義されたルールを備えたフォールバック戦略。
閉ループ計画のための新しい変圧器ベースの拡散プランナーを提案します。これは、マルチモーダルの運転行動を効果的にモデル化し、ルールベースの改良なしで軌跡の品質を確保できます。
私たちのモデルは、同じアーキテクチャの下での予測タスクと計画タスクの両方の共同モデリングをサポートし、車両間の協力的な行動を可能にします。
さらに、軌道スコア関数の勾配を学び、柔軟な分類器ガイダンスメカニズムを採用することにより、拡散プランナーは安全で適応性のある計画行動を効果的に実現します。
大規模な現実世界の自律計画ベンチマークNuplanと新たに収集された200時間の配送車両駆動データセットの評価は、拡散プランナーが多様なドライビングスタイルで堅牢な転送可能性を備えた最先端のクローズドループ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)

Achieving human-like driving behaviors in complex open-world environments is a critical challenge in autonomous driving. Contemporary learning-based planning approaches such as imitation learning methods often struggle to balance competing objectives and lack of safety assurance,due to limited adaptability and inadequacy in learning complex multi-modal behaviors commonly exhibited in human planning, not to mention their strong reliance on the fallback strategy with predefined rules. We propose a novel transformer-based Diffusion Planner for closed-loop planning, which can effectively model multi-modal driving behavior and ensure trajectory quality without any rule-based refinement. Our model supports joint modeling of both prediction and planning tasks under the same architecture, enabling cooperative behaviors between vehicles. Moreover, by learning the gradient of the trajectory score function and employing a flexible classifier guidance mechanism, Diffusion Planner effectively achieves safe and adaptable planning behaviors. Evaluations on the large-scale real-world autonomous planning benchmark nuPlan and our newly collected 200-hour delivery-vehicle driving dataset demonstrate that Diffusion Planner achieves state-of-the-art closed-loop performance with robust transferability in diverse driving styles.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google