Discrete Contrastive Learning for Diffusion Policies in Autonomous Driving

要約

自律的な車両テストのためのデータからの人間の運転行動の正確で豊富なシミュレーションを実行することを学ぶことは、人間の運転スタイルの高い多様性と差異のために依然として困難です。
既存の人間の運転データから運転スタイルの辞書を抽出するために対照的な学習を活用する新しいアプローチを提案することにより、この課題に対処します。
これらのスタイルを量子化で離散化し、スタイルを使用して、人間のドライバーをシミュレートするための条件付き拡散ポリシーを学習します。
私たちの経験的評価は、私たちのアプローチによって生成された動作が、機械学習ベースのベースライン法よりも安全で人間のようなものであることを確認しています。
これは、自動運転車のパフォーマンスを評価および改善するためのより高いリアリズムとより効果的な技術を可能にする可能性があると考えています。

要約(オリジナル)

Learning to perform accurate and rich simulations of human driving behaviors from data for autonomous vehicle testing remains challenging due to human driving styles’ high diversity and variance. We address this challenge by proposing a novel approach that leverages contrastive learning to extract a dictionary of driving styles from pre-existing human driving data. We discretize these styles with quantization, and the styles are used to learn a conditional diffusion policy for simulating human drivers. Our empirical evaluation confirms that the behaviors generated by our approach are both safer and more human-like than those of the machine-learning-based baseline methods. We believe this has the potential to enable higher realism and more effective techniques for evaluating and improving the performance of autonomous vehicles.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google