NeuroSMPC: A Neural Network guided Sampling Based MPC for On-Road Autonomous Driving

要約

この論文では、データ駆動型フレームワークをサンプリング ベースの最適制御に統合し、動的アクターが存在する路上自動運転などのリアルタイム アプリケーションへの導入と適応を容易にするために計算時間を大幅に短縮する効果的な手段を示します。
トレーニング例を示しながら、時空間 CNN は、さらなるリサンプリングを妨げる有限期間にわたる最適な平均制御を予測する方法を学習します。これは、サンプリング ベースの最適制御定式化をリアルタイム設定で採用することを困難にする反復プロセスです。
ネットワークで予測された最適平均に基づいて制御サンプルを生成すると、サンプルの多様性の利点が維持されながら、道路上のナビゲーション設定で複数の動的障害物を回避する軌道のリアルタイムのロールアウトが可能になります。
さらに、3D CNN アーキテクチャは、シーン内の動的エージェントの将来の軌道を暗黙的に学習し、明示的な将来の軌道予測がないにもかかわらず、衝突のないナビゲーションを成功させます。
CARLA の閉ループ シミュレーションを通じて、多くの路上シーンで複数のベースラインにわたるパフォーマンスの向上を示します。
また、カスタムの自動運転プラットフォーム (AutoDP) 上でシステムを実行することで、システムの実世界への適用性も示します。

要約(オリジナル)

In this paper we show an effective means of integrating data driven frameworks to sampling based optimal control to vastly reduce the compute time for easy adoption and adaptation to real time applications such as on-road autonomous driving in the presence of dynamic actors. Presented with training examples, a spatio-temporal CNN learns to predict the optimal mean control over a finite horizon that precludes further resampling, an iterative process that makes sampling based optimal control formulations difficult to adopt in real time settings. Generating control samples around the network-predicted optimal mean retains the advantage of sample diversity while enabling real time rollout of trajectories that avoids multiple dynamic obstacles in an on-road navigation setting. Further the 3D CNN architecture implicitly learns the future trajectories of the dynamic agents in the scene resulting in successful collision free navigation despite no explicit future trajectory prediction. We show performance gain over multiple baselines in a number of on-road scenes through closed loop simulations in CARLA. We also showcase the real world applicability of our system by running it on our custom Autonomous Driving Platform (AutoDP).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google