論文の概要: Rethinking the Open-Loop Evaluation of End-to-End Autonomous Driving in nuScenes

• arxiv url: http://arxiv.org/abs/2305.10430v1
• Date: Wed, 17 May 2023 17:59:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-18 14:24:24.544477
• Title: Rethinking the Open-Loop Evaluation of End-to-End Autonomous Driving in nuScenes
• Title（参考訳）: エンド・ツー・エンド自動運転のオープンループ評価の再検討
• Authors: Jiang-Tian Zhai, Ze Feng, Jinhao Du, Yongqiang Mao, Jiang-Jiang Liu, Zichang Tan, Yifu Zhang, Xiaoqing Ye, Jingdong Wang
• Abstract要約: 計画課題は、内部意図と外部環境の両方からの入力に基づいて、エゴ車両の軌道を予測することである。 既存の研究の多くは、予測された軌道と地上の真実との衝突率とL2誤差を用いて、nuScenesデータセット上での性能を評価する。 センサデータを入力として取り込んで,エゴ車両の将来の軌跡を直接出力する手法を設計する。 驚いたことに、このような単純な手法はnuScenesデータセット上で最先端のエンドツーエンドプランニング性能を実現し、平均L2エラーを約30%削減する。
• 参考スコア（独自算出の注目度）: 42.28905834318649
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern autonomous driving systems are typically divided into three main tasks: perception, prediction, and planning. The planning task involves predicting the trajectory of the ego vehicle based on inputs from both internal intention and the external environment, and manipulating the vehicle accordingly. Most existing works evaluate their performance on the nuScenes dataset using the L2 error and collision rate between the predicted trajectories and the ground truth. In this paper, we reevaluate these existing evaluation metrics and explore whether they accurately measure the superiority of different methods. Specifically, we design an MLP-based method that takes raw sensor data (e.g., past trajectory, velocity, etc.) as input and directly outputs the future trajectory of the ego vehicle, without using any perception or prediction information such as camera images or LiDAR. Surprisingly, such a simple method achieves state-of-the-art end-to-end planning performance on the nuScenes dataset, reducing the average L2 error by about 30%. We further conduct in-depth analysis and provide new insights into the factors that are critical for the success of the planning task on nuScenes dataset. Our observation also indicates that we need to rethink the current open-loop evaluation scheme of end-to-end autonomous driving in nuScenes. Codes are available at https://github.com/E2E-AD/AD-MLP.
• Abstract（参考訳）: 現代の自動運転システムは通常、知覚、予測、計画という3つの主なタスクに分けられる。 計画作業は、内部意図及び外部環境からの入力に基づいて、自走車の軌道を予測し、それに応じて車両を操作することを含む。 既存の研究の多くは、予測された軌道と地上の真実との衝突率とL2誤差を用いて、nuScenesデータセットの性能を評価する。 本稿では,既存の評価指標を再評価し,異なる手法の優越性を正確に測定するかどうかを検討する。 具体的には、カメラ画像やライダーなどの知覚情報や予測情報を使わずに、生のセンサデータ(例えば過去の軌道、速度など)を入力として、ego車両の将来の軌道を直接出力するmlpベースの方法を設計する。 驚いたことに、このような単純な手法はnuScenesデータセット上で最先端のエンドツーエンドプランニング性能を実現し、平均L2エラーを約30%削減する。 さらに詳細な分析を行い,nuscenesデータセットにおける計画タスクの成功に不可欠な要因について新たな知見を提供する。 我々はまた, ニューScenesにおけるエンドツーエンド自動運転の現在のオープンループ評価手法を再考する必要があることを示唆している。 コードはhttps://github.com/E2E-AD/AD-MLP.comで入手できる。

関連論文リスト

• Building Real-time Awareness of Out-of-distribution in Trajectory Prediction for Autonomous Vehicles [8.398221841050349]
  軌道予測は、自動運転車の周囲の障害物の動きを記述する。 本稿では,自律走行車における軌道予測におけるアウト・オブ・ディストリビューションのリアルタイム認識を確立することを目的とする。 提案手法は軽量であり, 軌道予測推定時にいつでもアウト・オブ・ディストリビューションの発生を処理できる。
  論文  参考訳（メタデータ） (2024-09-25T18:43:58Z)
• Pioneering SE(2)-Equivariant Trajectory Planning for Automated Driving [45.18582668677648]
  制御されたエゴ車両の軌道を計画することは、自動走行において重要な課題である。 本稿では,全車両に対して多モード共同予測を生成する軽量同変計画モデルを提案する。 また,車載GPSナビゲーションシステムによって提供される高水準経路に沿って,エゴ車両を誘導する等変経路アトラクションを提案する。
  論文  参考訳（メタデータ） (2024-03-17T18:53:46Z)
• Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving? [84.17711168595311]
  エンドツーエンドの自動運転は、フルスタックの観点から自律性を目標とする、有望な研究の方向性として浮上している。 比較的単純な駆動シナリオを特徴とするnuScenesデータセットは、エンド・ツー・エンド・モデルにおける知覚情報の未使用化につながる。 予測軌跡が道路に付着するかどうかを評価するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-12-05T11:32:31Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• 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)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• STINet: Spatio-Temporal-Interactive Network for Pedestrian Detection and Trajectory Prediction [24.855059537779294]
  本稿では、新しいエンドツーエンド2段階ネットワーク:spatio--Interactive Network(STINet)を提案する。 歩行者の3次元形状に加えて,歩行者ごとの時間情報をモデル化する。 提案手法は,1段目における現在位置と過去の位置の両方を予測し,各歩行者をフレーム間でリンクできるようにする。
  論文  参考訳（メタデータ） (2020-05-08T18:43:01Z)

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。