RiskMap: A Unified Driving Context Representation for Autonomous Motion Planning in Urban Driving Environment

要約

特に交通渋滞の中で運転する場合、認識と地図情報の組み合わせにより計画が複雑になります。
センサーのノイズを視覚化し、リアルタイムの計画タスクに制約を与える、拡張可能で効率的な表現を開発することが望ましいです。
私たちは、複雑な運転シナリオに対処する計画プロセスを簡素化し、センサー ノイズを視覚化するために、計画タスクのコストに先立って拡張可能な地図表現製品を開発することを目指しています。
この論文では、人間の動き予測の統計的認知を表す、最新の深層学習動き予測モデルによって強化された統合コンテキスト表現について説明します。
リスク マップ生成方法の違いをトレーニングおよび比較するために、サンプリング ベースのプランナーが採用されています。
トレーニング ツールとモデルの構造が調査され、このタスクにおける効率が示されます。

要約(オリジナル)

Planning is complicated by the combination of perception and map information, particularly when driving in heavy traffic. Developing an extendable and efficient representation that visualizes sensor noise and provides constraints to real-time planning tasks is desirable. We aim to develop an extendable map representation offering prior to cost in planning tasks to simplify the planning process of dealing with complex driving scenarios and visualize sensor noise. In this paper, we illustrate a unified context representation empowered by a modern deep learning motion prediction model, representing statistical cognition of motion prediction for human beings. A sampling-based planner is adopted to train and compare the difference in risk map generation methods. The training tools and model structures are investigated illustrating their efficiency in this task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google