From Prediction to Planning With Goal Conditioned Lane Graph Traversals

要約

自動運転のための運動予測の分野は、これまで以上に強力なニューラル ネットワーク アーキテクチャを搭載して、最近大きな進歩を遂げています。
これらの強力なモデルを活用すると、密接に関連する計画タスクに大きな可能性がもたらされます。
このレターでは、新しい目標条件付け方法を提案し、最先端の予測モデルを目標指向のプランナーに変換する可能性を示します。
私たちの重要な洞察は、行動レベルでのナビゲーション目標の条件付け予測が、広く採用されている他の方法よりも優れており、モデルの解釈可能性が向上するという追加の利点があるということです。
大規模なオープンソース データセットでモデルをトレーニングし、包括的なベンチマークで有望なパフォーマンスを示しています。

要約(オリジナル)

The field of motion prediction for automated driving has seen tremendous progress recently, bearing ever-more mighty neural network architectures. Leveraging these powerful models bears great potential for the closely related planning task. In this letter we propose a novel goal-conditioning method and show its potential to transform a state-of-the-art prediction model into a goal-directed planner. Our key insight is that conditioning prediction on a navigation goal at the behaviour level outperforms other widely adopted methods, with the additional benefit of increased model interpretability. We train our model on a large open-source dataset and show promising performance in a comprehensive benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google