Drive in Corridors: Enhancing the Safety of End-to-end Autonomous Driving via Corridor Learning and Planning

要約

安全性は、自律運転システムにおける最も重要な課題の1つです。
近年、エンドツーエンドの運転は、スケーラブルな方法で車両の自律性を前進させることに大きな期待を示しています。
ただし、既存のアプローチは、明示的な動作の制約がないため、しばしば安全リスクに直面しています。
この問題に対処するために、廊下を中間表現として導入することにより、新しいパラダイムを明らかにします。
ロボット工学計画に広く採用されている廊下は、車両が横断するための時空間的な障害物のないゾーンを表しています。
多様なトラフィックシナリオで正確な回廊の予測を確保するために、データアノテーション、アーキテクチャの改良、損失の定式化など、包括的な学習パイプラインを開発します。
予測された廊下は、軌道最適化プロセスの制約としてさらに統合されています。
最適化の分化性を拡張することにより、最適化された軌道をエンドツーエンドの学習フレームワーク内でシームレスにトレーニングし、安全性と解釈可能性の両方を改善できます。
ヌスセンデータセットの実験結果は、当社のアプローチの最先端のパフォーマンスを示しており、エージェントとの衝突の66.7％の減少と縁石との46.5％の減少を示し、エンドツーエンドの運転の安全性を大幅に向上させます。
さらに、廊下を組み込むと、閉ループ評価の成功率が高くなります。

要約(オリジナル)

Safety remains one of the most critical challenges in autonomous driving systems. In recent years, the end-to-end driving has shown great promise in advancing vehicle autonomy in a scalable manner. However, existing approaches often face safety risks due to the lack of explicit behavior constraints. To address this issue, we uncover a new paradigm by introducing the corridor as the intermediate representation. Widely adopted in robotics planning, the corridors represents spatio-temporal obstacle-free zones for the vehicle to traverse. To ensure accurate corridor prediction in diverse traffic scenarios, we develop a comprehensive learning pipeline including data annotation, architecture refinement and loss formulation. The predicted corridor is further integrated as the constraint in a trajectory optimization process. By extending the differentiability of the optimization, we enable the optimized trajectory to be seamlessly trained within the end-to-end learning framework, improving both safety and interpretability. Experimental results on the nuScenes dataset demonstrate state-of-the-art performance of our approach, showing a 66.7% reduction in collisions with agents and a 46.5% reduction with curbs, significantly enhancing the safety of end-to-end driving. Additionally, incorporating the corridor contributes to higher success rates in closed-loop evaluations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google