Scene-Adaptive Motion Planning with Explicit Mixture of Experts and Interaction-Oriented Optimization

要約

10年以上にわたる開発にもかかわらず、複雑な都市環境での自律的な運転軌道計画は、大きな課題に遭遇し続けています。
これらの課題には、軌跡のマルチモーダルの性質に対応することの難しさ、多様なシナリオの管理における単一の専門家モデルの制限、および環境相互作用の考慮不足が含まれます。
これらの問題に対処するために、このペーパーでは、3つの革新的なアプローチを組み込んだEmoe-Plannerを紹介します。
第一に、明示的なMOE（専門家の混合）は、共有シーンルーターを介してシナリオ固有の情報に基づいて専門の専門家を動的に選択します。
第二に、プランナーはシーン固有のクエリを利用してマルチモーダルのプライアーを提供し、関連するターゲット領域にモデルの焦点を向けます。
最後に、エゴ車両と他のエージェント間の相互作用を考慮することにより、予測モデルと損失計算を強化し、それにより計画パフォーマンスを大幅に向上させます。
最先端の方法に対して、Nuplanデータセットで比較実験が行われました。
シミュレーション結果は、私たちのモデルがほぼすべてのテストシナリオでSOTAモデルを常に上回ることを示しています。
私たちのモデルは、ほぼすべてのNuplan閉ループシミュレーションでパフォーマンスを超えるルールベースのアルゴリズムを超える最初の純粋な学習モデルです。

要約(オリジナル)

Despite over a decade of development, autonomous driving trajectory planning in complex urban environments continues to encounter significant challenges. These challenges include the difficulty in accommodating the multi-modal nature of trajectories, the limitations of single expert model in managing diverse scenarios, and insufficient consideration of environmental interactions. To address these issues, this paper introduces the EMoE-Planner, which incorporates three innovative approaches. Firstly, the Explicit MoE (Mixture of Experts) dynamically selects specialized experts based on scenario-specific information through a shared scene router. Secondly, the planner utilizes scene-specific queries to provide multi-modal priors, directing the model’s focus towards relevant target areas. Lastly, it enhances the prediction model and loss calculation by considering the interactions between the ego vehicle and other agents, thereby significantly boosting planning performance. Comparative experiments were conducted on the Nuplan dataset against the state-of-the-art methods. The simulation results demonstrate that our model consistently outperforms SOTA models across nearly all test scenarios. Our model is the first pure learning model to achieve performance surpassing rule-based algorithms in almost all Nuplan closed-loop simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google