Communication-Critical Planning via Multi-Agent Trajectory Exchange

要約

このホワイト ペーパーでは、共同マルチエージェントの認識と計画のタスクについて説明します。特に、接続された自動運転車の衝突のないナビゲーションという現実世界の課題に関連するものです。
このタスクでは、複数の通信対応車両が、相互の衝突や障害物との衝突を回避しながら、交通量の多い交差点をナビゲートする必要があります。
この目的のために、このホワイト ペーパーでは、(1) 分散型、(2) 不確実性認識型、および (3) 帯域幅効率型の生の知覚データが与えられた、学習可能なコストマップ ベースの計画メカニズムを提案します。
私たちの方法は、コストマップと不確実性を意識したエントロピーマップを生成し、複数のエージェントで評価された候補軌道を並べ替えて融合します。
提案された方法は、一連のオープンソース オーバーヘッド データセットおよび新しいコミュニケーション クリティカル シミュレータ内で、いくつかの好ましいパフォーマンス トレンドを示しています。
中間認識出力として正確なセマンティック占有予測を生成し、72.5% の平均ピクセル単位の分類精度を達成します。
最上位の軌道を選択することで、マルチエージェント法はエージェント数に応じて適切にスケーリングされ、単一エージェント バージョンと比較して、8 つのエージェントでハード コリジョン レートが最大 57% 削減されます。

要約(オリジナル)

This paper addresses the task of joint multi-agent perception and planning, especially as it relates to the real-world challenge of collision-free navigation for connected self-driving vehicles. For this task, several communication-enabled vehicles must navigate through a busy intersection while avoiding collisions with each other and with obstacles. To this end, this paper proposes a learnable costmap-based planning mechanism, given raw perceptual data, that is (1) distributed, (2) uncertainty-aware, and (3) bandwidth-efficient. Our method produces a costmap and uncertainty-aware entropy map to sort and fuse candidate trajectories as evaluated across multiple-agents. The proposed method demonstrates several favorable performance trends on a suite of open-source overhead datasets as well as within a novel communication-critical simulator. It produces accurate semantic occupancy forecasts as an intermediate perception output, attaining a 72.5% average pixel-wise classification accuracy. By selecting the top trajectory, the multi-agent method scales well with the number of agents, reducing the hard collision rate by up to 57% with eight agents compared to the single-agent version.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google