Preliminary Investigation into Data Scaling Laws for Imitation Learning-Based End-to-End Autonomous Driving

要約

エンド・ツー・エンドの自律走行パラダイムは、そのスケーラビリティから最近注目を集めている。しかし、既存の手法は、実世界データの限られたスケールに制約されており、エンドツーエンドの自律走行に関連するスケーリング則の包括的な探求を妨げている。この問題に対処するため、我々は様々な運転シナリオと行動から膨大なデータを収集し、既存の模倣学習ベースのエンドツーエンド自律走行パラダイムのスケーリング法則に関する広範な研究を実施した。具体的には、23の異なるシナリオタイプから約400万件のデモを収集し、30,000時間以上の運転デモに相当する。1,400件の多様な走行デモ（オープンループ1,300件、クローズドループ100件）に対して、オープンループ評価とクローズドループシミュレーション評価を厳しい評価条件下で実施した。実験分析により、(1)ドライビングモデルの性能は学習データ量とべき乗の関係を示すこと、(2)ロングテールのデータ量を少し増やすだけで、対応するシナリオの性能を大幅に向上させることができること、(3)データを適切にスケーリングすることで、斬新なシーンや行動においてモデルが組み合わせ汎化を達成できることを発見した。我々の結果は、多様な自律走行シナリオにおけるモデルの汎化性を向上させ、実世界における安全な配備を保証する上で、データのスケーリングが重要な役割を果たすことを強調している。プロジェクトリポジトリ: https://github.com/ucaszyp/Driving-Scaling-Law

要約(オリジナル)

The end-to-end autonomous driving paradigm has recently attracted lots of attention due to its scalability. However, existing methods are constrained by the limited scale of real-world data, which hinders a comprehensive exploration of the scaling laws associated with end-to-end autonomous driving. To address this issue, we collected substantial data from various driving scenarios and behaviors and conducted an extensive study on the scaling laws of existing imitation learning-based end-to-end autonomous driving paradigms. Specifically, approximately 4 million demonstrations from 23 different scenario types were gathered, amounting to over 30,000 hours of driving demonstrations. We performed open-loop evaluations and closed-loop simulation evaluations in 1,400 diverse driving demonstrations (1,300 for open-loop and 100 for closed-loop) under stringent assessment conditions. Through experimental analysis, we discovered that (1) the performance of the driving model exhibits a power-law relationship with the amount of training data; (2) a small increase in the quantity of long-tailed data can significantly improve the performance for the corresponding scenarios; (3) appropriate scaling of data enables the model to achieve combinatorial generalization in novel scenes and actions. Our results highlight the critical role of data scaling in improving the generalizability of models across diverse autonomous driving scenarios, assuring safe deployment in the real world. Project repository: https://github.com/ucaszyp/Driving-Scaling-Law

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL