FocalAD: Local Motion Planning for End-to-End Autonomous Driving

要約

エンドツーエンドの自律運転では、モーション予測は自動車計画において極めて重要な役割を果たします。
ただし、既存の方法は、多くの場合、計画の決定が主に少数の局所的に相互作用するエージェントの影響を受けているという事実を無視して、グローバルに集約されたモーション機能に依存しています。
これらの重要な局所的な相互作用に注意を払わないと、潜在的なリスクを曖昧にし、計画の信頼性を損なう可能性があります。
この作業では、重要な地元の隣人に焦点を当て、地元の動き表現を強化することで計画を改良する新しいエンドツーエンドの自律運転フレームワークであるFocaladを提案します。
具体的には、Focaladは2つのコアモジュールで構成されています：エゴローカルエージェントインタラクター（ELA）とフォーカルローカルエージェントの損失（FLA損失）。
ELAIは、地元の隣人とモーションダイナミクスをキャプチャするグラフベースの自我中心の相互作用表現を実施して、自我計画とエージェントの動きのクエリの両方を強化します。
FLAの損失は、意思決定批判的な隣接エージェントの重みを増加させ、モデルを導き、計画に関連するものを優先順位付けします。
大規模な実験では、フォーカラードが既存の最先端のメソッドを、オープンループヌスセンデータセットと閉ループベンチ2driveベンチマーク上の最先端の方法よりも優れていることが示されています。
特に、堅牢性に焦点を当てたADVナスセンデータセットでは、Focaladはさらに改善を達成し、平均coliLision速度を拡散ドライブと比較して41.9％、スパーリブと比較して15.6％減少します。

要約(オリジナル)

In end-to-end autonomous driving,the motion prediction plays a pivotal role in ego-vehicle planning. However, existing methods often rely on globally aggregated motion features, ignoring the fact that planning decisions are primarily influenced by a small number of locally interacting agents. Failing to attend to these critical local interactions can obscure potential risks and undermine planning reliability. In this work, we propose FocalAD, a novel end-to-end autonomous driving framework that focuses on critical local neighbors and refines planning by enhancing local motion representations. Specifically, FocalAD comprises two core modules: the Ego-Local-Agents Interactor (ELAI) and the Focal-Local-Agents Loss (FLA Loss). ELAI conducts a graph-based ego-centric interaction representation that captures motion dynamics with local neighbors to enhance both ego planning and agent motion queries. FLA Loss increases the weights of decision-critical neighboring agents, guiding the model to prioritize those more relevant to planning. Extensive experiments show that FocalAD outperforms existing state-of-the-art methods on the open-loop nuScenes datasets and closed-loop Bench2Drive benchmark. Notably, on the robustness-focused Adv-nuScenes dataset, FocalAD achieves even greater improvements, reducing the average colilision rate by 41.9% compared to DiffusionDrive and by 15.6% compared to SparseDrive.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google