Scaling Planning for Automated Driving using Simplistic Synthetic Data

要約

自動運転計画タスクの解決にディープラーニングを適用するためには、膨大な実世界データまたは非常に現実的なシミュレーションが必要であるというコンセンサスに挑戦する。ラウンドアバウトシナリオに焦点を当て、この要件は、対象とする単純化されたシミュレーションデータを支持することで緩和できることを示す。その利点は、現実的なデータセットでは一般的に十分に表現されていない重要なシナリオについて、そのようなデータを容易に生成できることである。バニラ・ビヘイビア・クローニングをほとんど軽量のシミュレーション・データのみに適用することで、実世界のテスト車両で信頼性の高い快適なドライビングを実現します。シミュレートとリアルのギャップを特定するための定期的な車載テスト、ターゲットデータの増強、トレーニングシナリオのバリエーションなど、段階的な開発アプローチを活用しています。方法論の詳細な説明に加え、シナリオ生成、シミュレーション機能、評価指標に触れながら、得られた教訓を共有します。

要約(オリジナル)

We challenge the perceived consensus that the application of deep learning to solve the automated driving planning task necessarily requires huge amounts of real-world data or highly realistic simulation. Focusing on a roundabout scenario, we show that this requirement can be relaxed in favour of targeted, simplistic simulated data. A benefit is that such data can be easily generated for critical scenarios that are typically underrepresented in realistic datasets. By applying vanilla behavioural cloning almost exclusively to lightweight simulated data, we achieve reliable and comfortable driving in a real-world test vehicle. We leverage an incremental development approach that includes regular in-vehicle testing to identify sim-to-real gaps, targeted data augmentation, and training scenario variations. In addition to a detailed description of the methodology, we share our lessons learned, touching upon scenario generation, simulation features, and evaluation metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL