Towards Scalable & Efficient Interaction-Aware Planning in Autonomous Vehicles using Knowledge Distillation

要約

現実世界の運転には、密集した交通シナリオを走行する車両間の複雑な相互作用が含まれます。
最近の研究は、自動運転車のインタラクション認識を強化し、意思決定にこれらのインタラクションを活用することに焦点を当てています。
これらのインタラクション認識プランナーは、ニューラル ネットワーク ベースの予測モデルに依存して車両間のインタラクションを捕捉し、これらの予測をモデル予測制御などの従来の制御手法と統合することを目指しています。
ただし、深層学習ベースのモデルと従来の制御パラダイムを統合すると、多くの場合、ヒューリスティック手法に依存した、計算量の多い最適化問題が発生します。
この研究では、深層学習と制約付き最適化を組み合わせる原理的かつ効率的な方法を紹介し、知識の蒸留を利用してより小規模で効率的なネットワークをトレーニングし、それによって複雑さを軽減します。
これらの洗練されたネットワークが、最適化を大幅に加速しながら、大規模モデルの問題解決の有効性を維持することを実証します。
具体的には、自動運転車のインタラクションを意識した軌道計画の分野で、知識の蒸留を使用して小規模な予測ネットワークをトレーニングすると、精度を犠牲にすることなく最適化が高速化されることを示します。

要約(オリジナル)

Real-world driving involves intricate interactions among vehicles navigating through dense traffic scenarios. Recent research focuses on enhancing the interaction awareness of autonomous vehicles to leverage these interactions in decision-making. These interaction-aware planners rely on neural-network-based prediction models to capture inter-vehicle interactions, aiming to integrate these predictions with traditional control techniques such as Model Predictive Control. However, this integration of deep learning-based models with traditional control paradigms often results in computationally demanding optimization problems, relying on heuristic methods. This study introduces a principled and efficient method for combining deep learning with constrained optimization, employing knowledge distillation to train smaller and more efficient networks, thereby mitigating complexity. We demonstrate that these refined networks maintain the problem-solving efficacy of larger models while significantly accelerating optimization. Specifically, in the domain of interaction-aware trajectory planning for autonomous vehicles, we illustrate that training a smaller prediction network using knowledge distillation speeds up optimization without sacrificing accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google