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

要約

動作計画は、特に渋滞時の運転時に、知覚、地図情報の統合、予測の組み合わせが必要となる複雑なタスクです。
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の基礎を提供する、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、タスクを計画する際にコストを事前に提示できる、解釈可能な地図表現を開発することを目指しています。
このようにして、複雑な運転シナリオに対処するための計画プロセスを簡素化し、センサーのノイズを視覚化できます。
具体的には、ディープ ニューラル ネットワークを活用した統一コンテキスト表現を提案します。
統一表現は微分可能なリスク フィールドであり、下流の計画タスクの交通参加者に関する統計的認知の分析表現です。
この表現方法をリスクマップと呼びます。
RiskMap 生成方法のトレーニングと比較には、サンプリング ベースのプランナーが採用されています。
この論文では、RiskMap 生成ツールとモデル構造を検討し、その結果は私たちの方法が運転の安全性とスムーズさを改善できることを示し、私たちの方法の限界についても説明します。

要約(オリジナル)

Motion planning is a complicated task that requires the combination of perception, map information integration and prediction, particularly when driving in heavy traffic. Developing an extensible and efficient representation that visualizes sensor noise and provides basis to real-time planning tasks is desirable. We aim to develop an interpretable map representation, which offers prior of driving cost in planning tasks. In this way, we can simplify the planning process for dealing with complex driving scenarios and visualize sensor noise. Specifically, we propose a unified context representation empowered by deep neural networks. The unified representation is a differentiable risk field, which is an analytical representation of statistical cognition regarding traffic participants for downstream planning tasks. This representation method is nominated as RiskMap. A sampling-based planner is adopted to train and compare RiskMap generation methods. In this paper, the RiskMap generation tools and model structures are explored, the results illustrate that our method can improve driving safety and smoothness, and the limitation of our method is also discussed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google