Rethinking Integration of Prediction and Planning in Deep Learning-Based Automated Driving Systems: A Review

要約

自動運転は、個人、公共、貨物のモビリティに革命をもたらす可能性があります。
自動運転には、利用可能なセンサー データを使用して環境を正確に認識するという知覚の大きな課題に加えて、安全で快適で効率的な運動軌道を計画することが含まれます。
安全性と進歩を促進するために、多くの作品は周囲の交通の将来の動きを予測するモジュールに依存しています。
モジュール式自動運転システムは通常、予測と計画を連続した別個のタスクとして処理します。
これは、自車両に対する周囲の交通の影響を考慮していますが、自車両の動作に対する交通参加者の反応を予測することはできません。
最近の研究では、安全、効率的、快適な運転を実現するには、予測と計画を相互依存する共同ステップで統合することが必要であることが示唆されています。
さまざまなモデルがそのような統合システムを実装していますが、さまざまな原理の包括的な概要と理論的理解が不足しています。
私たちは、最先端の深層学習ベースの予測、計画、および統合された予測および計画モデルを体系的にレビューします。
モデル アーキテクチャやモデル設計から動作の側面に至るまで、統合のさまざまな側面が考慮され、相互に関連付けられます。
さらに、さまざまな統合方法の意味、長所、制限についても説明します。
研究のギャップを指摘し、関連する将来の課題を説明し、研究分野の傾向を強調することで、将来の研究の有望な方向性を特定します。

要約(オリジナル)

Automated driving has the potential to revolutionize personal, public, and freight mobility. Besides the enormous challenge of perception, i.e. accurately perceiving the environment using available sensor data, automated driving comprises planning a safe, comfortable, and efficient motion trajectory. To promote safety and progress, many works rely on modules that predict the future motion of surrounding traffic. Modular automated driving systems commonly handle prediction and planning as sequential separate tasks. While this accounts for the influence of surrounding traffic on the ego-vehicle, it fails to anticipate the reactions of traffic participants to the ego-vehicle’s behavior. Recent works suggest that integrating prediction and planning in an interdependent joint step is necessary to achieve safe, efficient, and comfortable driving. While various models implement such integrated systems, a comprehensive overview and theoretical understanding of different principles are lacking. We systematically review state-of-the-art deep learning-based prediction, planning, and integrated prediction and planning models. Different facets of the integration ranging from model architecture and model design to behavioral aspects are considered and related to each other. Moreover, we discuss the implications, strengths, and limitations of different integration methods. By pointing out research gaps, describing relevant future challenges, and highlighting trends in the research field, we identify promising directions for future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google