論文の概要: DiffStack: A Differentiable and Modular Control Stack for Autonomous
Vehicles
- arxiv url: http://arxiv.org/abs/2212.06437v1
- Date: Tue, 13 Dec 2022 09:05:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 13:26:24.933286
- Title: DiffStack: A Differentiable and Modular Control Stack for Autonomous
Vehicles
- Title（参考訳）: DiffStack: 自動運転車の差別化とモジュール制御のスタック
- Authors: Peter Karkus, Boris Ivanovic, Shie Mannor, Marco Pavone
- Abstract要約: DiffStackは、予測、計画、制御のための、微分可能でモジュラーなスタックです。
nuScenesデータセットの結果から,DiffStackによるエンドツーエンドトレーニングは,オープンループおよびクローズループ計画の指標を大幅に改善することが示された。
- 参考スコア（独自算出の注目度）: 75.43355868143209
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Autonomous vehicle (AV) stacks are typically built in a modular fashion, with
explicit components performing detection, tracking, prediction, planning,
control, etc. While modularity improves reusability, interpretability, and
generalizability, it also suffers from compounding errors, information
bottlenecks, and integration challenges. To overcome these challenges, a
prominent approach is to convert the AV stack into an end-to-end neural network
and train it with data. While such approaches have achieved impressive results,
they typically lack interpretability and reusability, and they eschew
principled analytical components, such as planning and control, in favor of
deep neural networks. To enable the joint optimization of AV stacks while
retaining modularity, we present DiffStack, a differentiable and modular stack
for prediction, planning, and control. Crucially, our model-based planning and
control algorithms leverage recent advancements in differentiable optimization
to produce gradients, enabling optimization of upstream components, such as
prediction, via backpropagation through planning and control. Our results on
the nuScenes dataset indicate that end-to-end training with DiffStack yields
substantial improvements in open-loop and closed-loop planning metrics by,
e.g., learning to make fewer prediction errors that would affect planning.
Beyond these immediate benefits, DiffStack opens up new opportunities for fully
data-driven yet modular and interpretable AV architectures. Project website:
https://sites.google.com/view/diffstack
- Abstract（参考訳）: 自動運転車(av)スタックは通常、モジュール形式で構築され、明示的なコンポーネントが検出、追跡、予測、計画、制御などを実行する。
モジュラリティは再利用性、解釈可能性、一般化性を改善するが、エラー、情報のボトルネック、統合上の課題も複雑化する。
これらの課題を克服するために、注目すべきアプローチは、AVスタックをエンドツーエンドのニューラルネットワークに変換し、データでトレーニングすることだ。
このようなアプローチは印象的な成果を上げているが、一般的には解釈可能性や再利用性に欠けており、計画や制御などの分析的コンポーネントを設計し、ディープニューラルネットワークを支持した。
モジュール性を維持しつつ,AVスタックの協調最適化を実現するために,予測,計画,制御のための微分可能モジュールスタックDiffStackを提案する。
当社のモデルベース計画制御アルゴリズムは,近年の微分可能最適化の進歩を活かして勾配を生成し,計画と制御を通じたバックプロパゲーションを通じて,予測などの上流コンポーネントの最適化を可能にしている。
nuScenesデータセットの結果から、DiffStackによるエンドツーエンドトレーニングは、例えば、計画に影響を与える予測エラーを減らすことを学ぶことで、オープンループおよびクローズループ計画メトリクスを大幅に改善することが示された。
これらの直接的なメリットに加えて、DiffStackは完全なデータ駆動でモジュール化され、解釈可能なAVアーキテクチャの新たな機会を開く。
プロジェクトウェブサイト: https://sites.google.com/view/diffstack
関連論文リスト
- DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。
特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。
nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
論文 参考訳（メタデータ） (2024-09-15T15:55:24Z) - SparseDrive: End-to-End Autonomous Driving via Sparse Scene Representation [11.011219709863875]
我々はSparseDriveという新しいエンドツーエンドの自動運転パラダイムを提案する。
SparseDriveは対称なスパース認識モジュールとパラレルモーションプランナーで構成されている。
動作予測と計画について,これら2つの課題の相似性を概観し,運動プランナの並列設計に繋がる。
論文 参考訳（メタデータ） (2024-05-30T02:13:56Z) - PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
我々は PDSketch という新しいドメイン定義言語を提案する。
これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。
移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
論文 参考訳（メタデータ） (2023-03-09T18:54:12Z) - Decision-Oriented Learning with Differentiable Submodular Maximization
for Vehicle Routing Problem [23.211667169614227]
文脈観測(入力)をサブモジュール関数(出力)のパラメータにマッピングする関数の学習問題について検討する。
本稿では,タスク最適化を予測フェーズにおける微分可能な層として組み込んだフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-02T19:19:39Z) - Online learning techniques for prediction of temporal tabular datasets
with regime changes [0.0]
時間パネルデータセットの予測をランキングするモジュール型機械学習パイプラインを提案する。
パイプラインのモジュラリティにより、GBDT(Gradient Boosting Decision Tree)やニューラルネットワークなど、さまざまなモデルの使用が可能になる。
モデルの再トレーニングを必要としないオンライン学習技術は、予測後の結果を高めるために使用することができる。
論文 参考訳（メタデータ） (2022-12-30T17:19:00Z) - Control-Aware Prediction Objectives for Autonomous Driving [78.19515972466063]
本研究では,制御に対する予測の下流効果を評価するための制御認識予測目標(CAPOs)を提案する。
本稿では,エージェント間の注意モデルを用いた重み付けと,予測軌跡を接地真実軌跡に交換する際の制御変動に基づく重み付けの2つの方法を提案する。
論文 参考訳（メタデータ） (2022-04-28T07:37:21Z) - A Hybrid Framework for Sequential Data Prediction with End-to-End
Optimization [0.0]
オンライン環境での非線形予測について検討し,手作業による特徴や手作業によるモデル選択の問題を効果的に緩和するハイブリッドモデルを提案する。
逐次データからの適応的特徴抽出にはLSTM(Recurrent Neural Network)、効果的な教師付き回帰には勾配強化機構(soft GBDT)を用いる。
本稿では, 合成データに対するアルゴリズムの学習挙動と, 各種実生活データセットに対する従来の手法による性能改善について述べる。
論文 参考訳（メタデータ） (2022-03-25T17:13:08Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Neural Weighted A*: Learning Graph Costs and Heuristics with
Differentiable Anytime A* [12.117737635879037]
データ駆動計画に関する最近の研究は、コスト関数またはプランナ関数を学習することを目的としているが、両方ではない。
グラフコストやプランナーとして、平面マップの表現を改善することができる差別化可能ないつでもプランナであるNeural Weighted A*を提案します。
我々は,複数のベースラインに対して神経重み付きa*をテストし,新たなタイルベースのナビゲーションデータセットを導入することで,クレームの妥当性を実験的に示す。
論文 参考訳（メタデータ） (2021-05-04T13:17:30Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z)
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。