PlanScope: Learning to Plan Within Decision Scope Does Matter

要約

自律運転のコンテキストでは、学習ベースの方法が計画モジュールの開発に有望です。
計画モジュールのトレーニングプロセス中に、専門家の運転ログと計画出力の間の矛盾を直接最小限に抑えることが広く展開されます。
一般に、運転ログは突然障害物が表示されるか、トラフィックシグナルが迅速に変化することで構成されており、通常、運転操作に迅速かつ微妙な調整を必要とします。
同時に、車両の将来の軌跡は、参照車線を順守したり、静止した障害を回避するなど、長期的な決定を示します。
ドライビングログにおける将来のイベントの予測不可能な影響により、推論バイアスは自然に学習ベースの計画モジュールに導入される可能性があり、これにより、運転性能の劣化の可能性があります。
この問題に対処するために、私たちは決定とそれらの対応する時間視野を特定し、予測不可能なイベントによって引き起こされる不合理な行動の効果を軽減するために、派生可能な視野のみ内で決定を保持することにより、いわゆる決定範囲を特徴付けます。
いくつかの実行可能な実装が提案されており、その中には、時間次元に沿ったバッチ正規化が特に効果的であり、優れたパフォーマンスを達成しています。
Nuplanデータセットでの閉ループ評価を通じて実証されているように、ドライビングスコアの観点からベースラインメソッドよりも一貫して優れています。
基本的に、このアプローチは、他の学習ベースの計画モデルの閉ループのパフォーマンスを強化するために、魅力的なプラグアンドプレイ機能に対応します。

要約(オリジナル)

In the context of autonomous driving, learning-based methods have been promising for the development of planning modules. During the training process of planning modules, directly minimizing the discrepancy between expert-driving logs and planning output is widely deployed. In general, driving logs consist of suddenly appearing obstacles or swiftly changing traffic signals, which typically necessitate swift and nuanced adjustments in driving maneuvers. Concurrently, future trajectories of the vehicles exhibit their long-term decisions, such as adhering to a reference lane or circumventing stationary obstacles. Due to the unpredictable influence of future events in driving logs, reasoning bias could be naturally introduced to learning based planning modules, which leads to a possible degradation of driving performance. To address this issue, we identify the decisions and their corresponding time horizons, and characterize a so-called decision scope by retaining decisions within derivable horizons only, to mitigate the effect of irrational behaviors caused by unpredictable events. Several viable implementations have been proposed, among which batch normalization along the temporal dimension is particularly effective and achieves superior performance. It consistently outperforms baseline methods in terms of driving scores, as demonstrated through closed-loop evaluations on the nuPlan dataset. Essentially, this approach accommodates an appealing plug-and-play feature to enhance the closed-loop performance of other learning-based planning models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google