MTD-GPT: A Multi-Task Decision-Making GPT Model for Autonomous Driving at Unsignalized Intersections

要約

自動運転技術は交通システムを変革しようとしています。
しかし、信号のない交差点などの複雑なシナリオで安全かつ正確なマルチタスクの意思決定を実現することは、自動運転車にとって依然として課題です。
この論文では、マルチタスク意思決定生成事前訓練トランスフォーマー (MTD-GPT) モデルの開発による、この問題に対する新しいアプローチを紹介します。
MTD-GPT モデルは、強化学習 (RL) の固有の強みと、生成事前トレーニング変換器 (GPT) の高度なシーケンス モデリング機能を活用して、左折、直進運転などの複数の運転タスクを同時に管理するように設計されています。
、信号のない交差点では右折します。
最初にシングルタスクの RL エキスパート モデルをトレーニングし、環境内のエキスパート データをサンプルし、その後、混合マルチタスク データセットをオフライン GPT トレーニングに利用します。
このアプローチは、自動運転におけるマルチタスクの意思決定問題をシーケンス モデリング タスクとして抽象化します。
MTD-GPT モデルは、複数の意思決定タスクにわたってトレーニングおよび評価され、最先端のシングルタスク意思決定モデルより優れているか、同等のパフォーマンスを実証しています。

要約(オリジナル)

Autonomous driving technology is poised to transform transportation systems. However, achieving safe and accurate multi-task decision-making in complex scenarios, such as unsignalized intersections, remains a challenge for autonomous vehicles. This paper presents a novel approach to this issue with the development of a Multi-Task Decision-Making Generative Pre-trained Transformer (MTD-GPT) model. Leveraging the inherent strengths of reinforcement learning (RL) and the sophisticated sequence modeling capabilities of the Generative Pre-trained Transformer (GPT), the MTD-GPT model is designed to simultaneously manage multiple driving tasks, such as left turns, straight-ahead driving, and right turns at unsignalized intersections. We initially train a single-task RL expert model, sample expert data in the environment, and subsequently utilize a mixed multi-task dataset for offline GPT training. This approach abstracts the multi-task decision-making problem in autonomous driving as a sequence modeling task. The MTD-GPT model is trained and evaluated across several decision-making tasks, demonstrating performance that is either superior or comparable to that of state-of-the-art single-task decision-making models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google