Multi-Abstractive Neural Controller: An Efficient Hierarchical Control Architecture for Interactive Driving

要約

学習ベースの手法が知覚システムから計画/制御スタックに移行するにつれて、ロボット制御システムはデータ駆動型手法が提供する利点を享受し始めています。
制御システムはロボットの動作に直接影響を与えるため、データ駆動型の手法、特にブラック ボックス アプローチは、安定性や解釈可能性などの側面を考慮して慎重に使用する必要があります。
この論文では、微分可能で階層的な制御アーキテクチャについて説明します。
\textit{多抽象ニューラル コントローラー} と呼ばれる提案された表現は、入力画像を使用して、新しい離散動作プランナー (視覚的オートマトン生成ネットワーク、または \textit{vAGN} と呼ばれる) 内の遷移を制御します。
vAGN の出力は、システム制御を提供する一連の動的動作プリミティブのパラメーターを制御します。
このニューラル コントローラーを動作クローン作成を通じて現実世界の運転データでトレーニングし、説明可能性、サンプル効率、および人間の運転との類似性が向上したことを示します。

要約(オリジナル)

As learning-based methods make their way from perception systems to planning/control stacks, robot control systems have started to enjoy the benefits that data-driven methods provide. Because control systems directly affect the motion of the robot, data-driven methods, especially black box approaches, need to be used with caution considering aspects such as stability and interpretability. In this paper, we describe a differentiable and hierarchical control architecture. The proposed representation, called \textit{multi-abstractive neural controller}, uses the input image to control the transitions within a novel discrete behavior planner (referred to as the visual automaton generative network, or \textit{vAGN}). The output of a vAGN controls the parameters of a set of dynamic movement primitives which provides the system controls. We train this neural controller with real-world driving data via behavior cloning and show improved explainability, sample efficiency, and similarity to human driving.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google