論文の概要: Safe Real-World Autonomous Driving by Learning to Predict and Plan with
a Mixture of Experts
- arxiv url: http://arxiv.org/abs/2211.02131v1
- Date: Thu, 3 Nov 2022 20:16:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 17:28:58.026497
- Title: Safe Real-World Autonomous Driving by Learning to Predict and Plan with
a Mixture of Experts
- Title（参考訳）: 専門家の混在による予測と計画の学習による安全な実世界の自律運転
- Authors: Stefano Pini, Christian S. Perone, Aayush Ahuja, Ana Sofia Rufino
Ferreira, Moritz Niendorf, Sergey Zagoruyko
- Abstract要約: 我々は、自動運転車と他の道路エージェントの両方の将来の軌道にまたがる分布について提案する。
推論中は、安全性と予測確率を考慮したコストを最小限に抑える計画軌道を選択する。
都市部の公道上での自動運転車の展開に成功し、快適さを損なうことなく安全に運転できることを確認しました。
- 参考スコア（独自算出の注目度）: 3.2230833657560503
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The goal of autonomous vehicles is to navigate public roads safely and
comfortably. To enforce safety, traditional planning approaches rely on
handcrafted rules to generate trajectories. Machine learning-based systems, on
the other hand, scale with data and are able to learn more complex behaviors.
However, they often ignore that agents and self-driving vehicle trajectory
distributions can be leveraged to improve safety. In this paper, we propose
modeling a distribution over multiple future trajectories for both the
self-driving vehicle and other road agents, using a unified neural network
architecture for prediction and planning. During inference, we select the
planning trajectory that minimizes a cost taking into account safety and the
predicted probabilities. Our approach does not depend on any rule-based
planners for trajectory generation or optimization, improves with more training
data and is simple to implement. We extensively evaluate our method through a
realistic simulator and show that the predicted trajectory distribution
corresponds to different driving profiles. We also successfully deploy it on a
self-driving vehicle on urban public roads, confirming that it drives safely
without compromising comfort. The code for training and testing our model on a
public prediction dataset and the video of the road test are available at
https://woven.mobi/safepathnet
- Abstract（参考訳）: 自動運転車の目標は、公共道路を安全かつ快適に走行することだ。
安全を確保するために、伝統的な計画手法は手作りの規則に頼っている。
一方、機械学習ベースのシステムは、データでスケールし、より複雑な振る舞いを学ぶことができる。
しかし、彼らはしばしば、エージェントと自動運転車の軌道分布が安全を改善するために活用できることを無視する。
本稿では,自律走行車と他の道路エージェントの両方の将来の軌跡にまたがる分布を,予測と計画のための統合ニューラルネットワークアーキテクチャを用いてモデル化することを提案する。
推論中は、安全性と予測確率を考慮したコストを最小限に抑える計画軌道を選択する。
我々のアプローチは、軌道生成や最適化のためのルールベースのプランナに依存しておらず、より多くのトレーニングデータで改善され、実装が簡単です。
本手法を現実的なシミュレータを用いて広範囲に評価し,予測された軌道分布が異なる駆動プロファイルに対応することを示す。
また、都市部の公道での自動運転車への展開も成功し、快適さを損なうことなく安全に運転できることを確認しました。
パブリックな予測データセットでモデルをトレーニングし、テストするためのコードとロードテストのビデオは、https://weave.mobi/safepathnetで利用可能です。
関連論文リスト
- Multimodal Trajectory Prediction for Autonomous Driving on Unstructured Roads using Deep Convolutional Network [15.950227451262919]
露天掘り鉱業における自動運転の応用は、安全で効率的な輸送を実現するための注目を集めている。
対象車両の複数の軌道とその確率を予測する手法を提案する。
この方法は、オープンピットマイニングにおける自律運転シナリオに特化したデータセット上で、オフラインでテストされた。
論文 参考訳（メタデータ） (2024-09-27T02:29:02Z) - ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。
この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。
提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
論文 参考訳（メタデータ） (2024-09-12T08:26:33Z) - Self-Aware Trajectory Prediction for Safe Autonomous Driving [9.868681330733764]
軌道予測は、自動運転ソフトウェアスタックの重要なコンポーネントの1つである。
本稿では,自己認識軌道予測手法を提案する。
提案手法は, 自己認識, メモリフットプリント, リアルタイム性能で良好に動作した。
論文 参考訳（メタデータ） (2023-05-16T03:53:23Z) - Multi-Vehicle Trajectory Prediction at Intersections using State and
Intention Information [50.40632021583213]
道路員の将来の軌跡予測への伝統的なアプローチは、過去の軌跡を知ることに依存している。
この研究は、交差点で複数の車両の予測を行うために、現在の状態と意図された方向を知ることに依存する。
この情報を車両間で送るメッセージは、それぞれがより総合的な環境概要を提供する。
論文 参考訳（メタデータ） (2023-01-06T15:13:23Z) - Multi-modal Transformer Path Prediction for Autonomous Vehicle [15.729029675380083]
ターゲットエージェントの長期的軌跡予測を目的としたMTPP(Multi-modal Transformer Path Prediction)と呼ばれる経路予測システムを提案する。
より正確な経路予測を実現するため,トランスフォーマーアーキテクチャをモデルに適用した。
実世界の軌跡予測データセットであるnuSceneを用いて,提案システムの有効性を定量的に評価した。
論文 参考訳（メタデータ） (2022-08-15T15:09:26Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳（メタデータ） (2022-07-05T16:33:20Z) - Optimizing Trajectories for Highway Driving with Offline Reinforcement
Learning [11.970409518725491]
自律運転に対する強化学習に基づくアプローチを提案する。
我々のエージェントの性能を他の4つのハイウェイ運転エージェントと比較する。
ランダムに収集されたデータを持つオフライントレーニングエージェントが、望ましい速度に可能な限り近い速度で、他のエージェントよりも優れた速度で、スムーズに駆動することを学ぶことを実証します。
論文 参考訳（メタデータ） (2022-03-21T13:13:08Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳（メタデータ） (2021-09-03T13:33:33Z) - DiGNet: Learning Scalable Self-Driving Policies for Generic Traffic
Scenarios with Graph Neural Networks [26.558394047144006]
大規模交通シナリオを処理可能なスケーラブルな自動運転を実現するために,グラフベースのディープネットワークを提案する。
高忠実度運転シミュレータで7000km以上の評価を行う。
本手法は交通規制に従えば,都市,農村,高速道路など多種多様な環境下で安全に走行することができる。
論文 参考訳（メタデータ） (2020-11-13T06:13:28Z) - Testing the Safety of Self-driving Vehicles by Simulating Perception and
Prediction [88.0416857308144]
センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。
我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
論文 参考訳（メタデータ） (2020-08-13T17:20:02Z) - PiP: Planning-informed Trajectory Prediction for Autonomous Driving [69.41885900996589]
マルチエージェント設定における予測問題に対処するために,計画インフォームド・トラジェクトリ予測(PiP)を提案する。
本手法は,エゴカーの計画により予測過程を通知することにより,高速道路のデータセット上でのマルチエージェント予測の最先端性能を実現する。
論文 参考訳（メタデータ） (2020-03-25T16:09:54Z)
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。