CAFE-AD: Cross-Scenario Adaptive Feature Enhancement for Trajectory Planning in Autonomous Driving

要約

Nuplanデータセットの模倣学習ベースの計画タスクは、人間のような運転行動を生成する可能性のために大きな関心を集めています。
ただし、Nuplanデータセットでのオープンループトレーニングは、閉ループテスト中に因果的混乱を引き起こす傾向があり、データセットはシナリオの長期尾の分布も提示します。
これらの問題は、模倣学習の課題をもたらします。
これらの問題に取り組むために、さまざまなシナリオタイプにわたって特徴表現を強化するために設計された、自律運転方法における軌跡計画のためのクロスセナリオ適応機能の強化であるCafe-Adを紹介します。
トレーニング中にノイズの多い情報の干渉を減らしながら、最も関連性の高い情報をキャプチャする機能の重要性をランク付けする適応機能の剪定モジュールを開発します。
さらに、シナリオ情報を強化して多様性を導入し、ネットワークが支配的なシナリオで過剰に適合を緩和できるようにするクロスセナリオ機能補間モジュールを提案します。
挑戦的なパブリックNuplan Test14ハードの閉ループシミュレーションベンチマークでCAFE-ADを評価します。
結果は、CAFE-ADがルールベースのプランナーやハイブリッドプランナーを含む最先端の方法を上回り、データセット内のロングテール分布の影響を緩和する可能性を示すことを示しています。
さらに、実際の環境におけるその有効性をさらに検証します。
コードとモデルはhttps://github.com/alniyatrui/cafe-adで利用可能になります。

要約(オリジナル)

Imitation learning based planning tasks on the nuPlan dataset have gained great interest due to their potential to generate human-like driving behaviors. However, open-loop training on the nuPlan dataset tends to cause causal confusion during closed-loop testing, and the dataset also presents a long-tail distribution of scenarios. These issues introduce challenges for imitation learning. To tackle these problems, we introduce CAFE-AD, a Cross-Scenario Adaptive Feature Enhancement for Trajectory Planning in Autonomous Driving method, designed to enhance feature representation across various scenario types. We develop an adaptive feature pruning module that ranks feature importance to capture the most relevant information while reducing the interference of noisy information during training. Moreover, we propose a cross-scenario feature interpolation module that enhances scenario information to introduce diversity, enabling the network to alleviate over-fitting in dominant scenarios. We evaluate our method CAFE-AD on the challenging public nuPlan Test14-Hard closed-loop simulation benchmark. The results demonstrate that CAFE-AD outperforms state-of-the-art methods including rule-based and hybrid planners, and exhibits the potential in mitigating the impact of long-tail distribution within the dataset. Additionally, we further validate its effectiveness in real-world environments. The code and models will be made available at https://github.com/AlniyatRui/CAFE-AD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google