Robust Meta-Learning of Vehicle Yaw Rate Dynamics via Conditional Neural Processes

要約

自動運転車の軌道計画者は通常、物理モデルに依存して車両の動作を予測します。
ただし、物理モデルにはその適合性にもかかわらず、いくつかの欠点があります。
一方で、単純なモデルには、より大きなモデル誤差とより制限的な仮定が発生します。
一方、複雑なモデルは計算負荷が高く、環境パラメータや運用パラメータに依存します。
いずれの場合も、欠点はヨーレートダイナミクスの物理モデリングにある程度関連している可能性があります。
したがって、この論文では、データ駆動型メタ学習アプローチである条件付きニューラル プロセス (CNP) に基づくヨー レート予測を調査し、低誤差、適切な複雑さ、さまざまなパラメーターに対する堅牢性を同時に実現します。
したがって、物理モデルを的を絞った方法で強化して、正確で計算効率の高い予測を提供し、自動運転車での安全な計画を可能にすることができます。
さまざまな運転シナリオやさまざまなタイプの車に対する忠実度の高いシミュレーションにより、CNP により、人間のような方法で現在の運転ダイナミクスに基づくヨー レートに関する知識を採用および伝達できるようになり、変化する環境条件や動作条件に対する堅牢性が得られることがわかりました。

要約(オリジナル)

Trajectory planners of autonomous vehicles usually rely on physical models to predict the vehicle behavior. However, despite their suitability, physical models have some shortcomings. On the one hand, simple models suffer from larger model errors and more restrictive assumptions. On the other hand, complex models are computationally more demanding and depend on environmental and operational parameters. In each case, the drawbacks can be associated to a certain degree to the physical modeling of the yaw rate dynamics. Therefore, this paper investigates the yaw rate prediction based on conditional neural processes (CNP), a data-driven meta-learning approach, to simultaneously achieve low errors, adequate complexity and robustness to varying parameters. Thus, physical models can be enhanced in a targeted manner to provide accurate and computationally efficient predictions to enable safe planning in autonomous vehicles. High fidelity simulations for a variety of driving scenarios and different types of cars show that CNP makes it possible to employ and transfer knowledge about the yaw rate based on current driving dynamics in a human-like manner, yielding robustness against changing environmental and operational conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google