論文の概要: Contingencies from Observations: Tractable Contingency Planning with Learned Behavior Models

• arxiv url: http://arxiv.org/abs/2104.10558v1
• Date: Wed, 21 Apr 2021 14:30:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-22 18:09:28.946515
• Title: Contingencies from Observations: Tractable Contingency Planning with Learned Behavior Models
• Title（参考訳）: 観測結果からの一致:学習行動モデルによるトラクタブルな一致計画
• Authors: Nicholas Rhinehart, Jeff He, Charles Packer, Matthew A. Wright, Rowan McAllister, Joseph E. Gonzalez, Sergey Levine
• Abstract要約: 人間は未来の出来事を正確に推論することで決定を下す素晴らしい能力を持っている。 本研究では,高次元のシーン観察からエンドツーエンドに学習する汎用コンテンシビリティプランナを開発する。 このモデルが行動観察から忍耐強くコンティンジェンシーを学習できることを示す。
• 参考スコア（独自算出の注目度）: 82.34305824719101
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humans have a remarkable ability to make decisions by accurately reasoning about future events, including the future behaviors and states of mind of other agents. Consider driving a car through a busy intersection: it is necessary to reason about the physics of the vehicle, the intentions of other drivers, and their beliefs about your own intentions. If you signal a turn, another driver might yield to you, or if you enter the passing lane, another driver might decelerate to give you room to merge in front. Competent drivers must plan how they can safely react to a variety of potential future behaviors of other agents before they make their next move. This requires contingency planning: explicitly planning a set of conditional actions that depend on the stochastic outcome of future events. In this work, we develop a general-purpose contingency planner that is learned end-to-end using high-dimensional scene observations and low-dimensional behavioral observations. We use a conditional autoregressive flow model to create a compact contingency planning space, and show how this model can tractably learn contingencies from behavioral observations. We developed a closed-loop control benchmark of realistic multi-agent scenarios in a driving simulator (CARLA), on which we compare our method to various noncontingent methods that reason about multi-agent future behavior, including several state-of-the-art deep learning-based planning approaches. We illustrate that these noncontingent planning methods fundamentally fail on this benchmark, and find that our deep contingency planning method achieves significantly superior performance. Code to run our benchmark and reproduce our results is available at https://sites.google.com/view/contingency-planning
• Abstract（参考訳）: 人間は、他のエージェントの将来の行動や心の状態など、将来の出来事を正確に推論することによって、決定を下す素晴らしい能力を持っている。 車両の物理、他のドライバーの意図、そして自分の意図に対する彼らの信念について考える必要がある。 ターンを合図すると、別のドライバーが自分に屈服するか、通過する車線に入ると、別のドライバーが減速して前方にマージする余地を与える。 有能なドライバーは、次の行動を行う前に、他のエージェントのさまざまな将来の行動に安全に対応する方法を計画しなければならない。 将来の出来事の確率的な結果に依存する条件付きアクションのセットを明示的に計画すること。 本研究では,高次元シーン観測と低次元行動観測を用いてエンドツーエンドで学習する汎用コンティンジェンシープランナーを開発した。 条件付き自己回帰フローモデルを用いて、コンパクトなコンティンジェンシー計画空間を作成し、このモデルがどのように行動観察からコンティンジェンシーを気軽に学習できるかを示す。 そこで我々は,運転シミュレータ(carla)における現実的マルチエージェントシナリオのクローズドループ制御ベンチマークを開発した。 これらの不一致計画手法は基本的にこのベンチマークで失敗し,本手法が極めて優れた性能を発揮することを示す。 ベンチマークを実行して結果を再現するコードは、https://sites.google.com/view/contingency-planningで確認できる。

関連論文リスト

• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。 最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。 本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• Tractable Joint Prediction and Planning over Discrete Behavior Modes for Urban Driving [15.671811785579118]
  自己回帰閉ループモデルのパラメータ化は,再学習を伴わずに可能であることを示す。 離散潜在モード上での完全反応性閉ループ計画を提案する。 当社のアプローチは、CARLAにおける従来の最先端技術よりも、高密度なトラフィックシナリオに挑戦する上で優れています。
  論文  参考訳（メタデータ） (2024-03-12T01:00:52Z)
• Deep Structured Reactive Planning [94.92994828905984]
  自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。 本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
  論文  参考訳（メタデータ） (2021-01-18T01:43:36Z)
• LookOut: Diverse Multi-Future Prediction and Planning for Self-Driving [139.33800431159446]
  LookOutは、環境を共同で知覚し、センサーデータから様々な未来を予測するアプローチである。 本モデルでは,大規模自動運転データセットにおいて,より多様性があり,サンプル効率のよい動き予測を行う。
  論文  参考訳（メタデータ） (2021-01-16T23:19:22Z)
• Instance-Aware Predictive Navigation in Multi-Agent Environments [93.15055834395304]
  エージェント間の相互作用と将来のシーン構造を予測するIPC(Instance-Aware Predictive Control)アプローチを提案する。 我々は,ego中心の視点でエージェント間のインタラクションを推定するために,新しいマルチインスタンスイベント予測モジュールを採用する。 シーンレベルとインスタンスレベルの両方の予測状態をより有効活用するために、一連のアクションサンプリング戦略を設計します。
  論文  参考訳（メタデータ） (2021-01-14T22:21:25Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。