Multi-modal Integrated Prediction and Decision-making with Adaptive Interaction Modality Explorations

要約

高密度で動的な環境をナビゲートすることは、さまざまな交通参加者と自動運転車の動作が複雑で暗黙的に結びついているマルチモーダルインタラクションの複雑な性質により、自動運転システムにとって大きな課題となります。
この論文では、複数の特徴的な相互作用モダリティをカバーする統合予測と意思決定を効率的に生成することで課題に対処する、新しいフレームワークであるマルチモーダル統合予測および意思決定 (MIND) を提案します。
具体的には、MIND は学習ベースのシナリオ予測を活用して、社会的一貫性のあるインタラクション モダリティによる統合された予測と意思決定を取得し、モダリティを認識した動的分岐メカニズムを利用して、インタラクションの不確実性の変動が少なく、特徴的なインタラクション モダリティの進化を効率的に捉えるシナリオ ツリーを生成します。
計画の期間。
シナリオ ツリーは、相互作用の不確実性の下での緊急時計画によってシームレスに利用され、マルチモーダルな進化を考慮した明確で思慮深い操作を取得します。
現実世界の運転データセットに基づく閉ループ シミュレーションの包括的な実験結果は、さまざまな運転状況下で他の強力なベースラインよりも優れたパフォーマンスを示しています。

要約(オリジナル)

Navigating dense and dynamic environments poses a significant challenge for autonomous driving systems, owing to the intricate nature of multimodal interaction, wherein the actions of various traffic participants and the autonomous vehicle are complex and implicitly coupled. In this paper, we propose a novel framework, Multi-modal Integrated predictioN and Decision-making (MIND), which addresses the challenges by efficiently generating joint predictions and decisions covering multiple distinctive interaction modalities. Specifically, MIND leverages learning-based scenario predictions to obtain integrated predictions and decisions with social-consistent interaction modality and utilizes a modality-aware dynamic branching mechanism to generate scenario trees that efficiently capture the evolutions of distinctive interaction modalities with low variation of interaction uncertainty along the planning horizon. The scenario trees are seamlessly utilized by the contingency planning under interaction uncertainty to obtain clear and considerate maneuvers accounting for multi-modal evolutions. Comprehensive experimental results in the closed-loop simulation based on the real-world driving dataset showcase superior performance to other strong baselines under various driving contexts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google