論文の概要: Rethinking the Integration of Prediction and Planning in Deep Learning-Based Automated Driving Systems: A Review

• arxiv url: http://arxiv.org/abs/2308.05731v2
• Date: Wed, 17 Jul 2024 09:35:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-18 23:28:28.637930
• Title: Rethinking the Integration of Prediction and Planning in Deep Learning-Based Automated Driving Systems: A Review
• Title（参考訳）: ディープラーニングによる自動運転システムにおける予測と計画の統合再考
• Authors: Steffen Hagedorn, Marcel Hallgarten, Martin Stoll, Alexandru Condurache,
• Abstract要約: 自動走行は、個人、公共、貨物の移動に革命をもたらす可能性がある。 安全と進歩を促進するために、多くの研究は周囲の交通の将来の動きを予測するモジュールに依存している。 最近のモデルでは、双方向の相互作用をモデル化するための共同または相互依存的なステップで予測と計画を統合する傾向が強まっている。 我々は、最先端のディープラーニングベースの予測と計画を体系的にレビューし、統合された予測と計画モデルに焦点を当てる。
• 参考スコア（独自算出の注目度）: 43.30610493968783
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Automated driving has the potential to revolutionize personal, public, and freight mobility. Beside accurately perceiving the environment, automated vehicles must plan a safe, comfortable, and efficient motion trajectory. To promote safety and progress, many works rely on modules that predict the future motion of surrounding traffic. Modular automated driving systems commonly handle prediction and planning as sequential, separate tasks. While this accounts for the influence of surrounding traffic on the ego vehicle, it fails to anticipate the reactions of traffic participants to the ego vehicle's behavior. Recent models increasingly integrate prediction and planning in a joint or interdependent step to model bi-directional interactions. To date, a comprehensive overview of different integration principles is lacking. We systematically review state-of-the-art deep learning-based prediction and planning, and focus on integrated prediction and planning models. Different facets of the integration ranging from model architecture and model design to behavioral aspects are considered and related to each other. Moreover, we discuss the implications, strengths, and limitations of different integration principles. By pointing out research gaps, describing relevant future challenges, and highlighting trends in the research field, we identify promising directions for future research.
• Abstract（参考訳）: 自動走行は、個人、公共、貨物の移動に革命をもたらす可能性がある。 環境を正確に把握するためには、自動運転車は安全で快適で効率的な移動路を計画する必要がある。 安全と進歩を促進するために、多くの研究は周囲の交通の将来の動きを予測するモジュールに依存している。 モジュール化された自動運転システムは、予測と計画を逐次的に別々のタスクとして扱うのが一般的である。 これは、周囲の交通がエゴ車に与える影響を説明できるが、エゴ車の行動に対する交通参加者の反応を予測できない。 最近のモデルでは、双方向の相互作用をモデル化するための共同または相互依存的なステップで予測と計画を統合する傾向が強まっている。 現在、異なる統合原則に関する包括的な概要が欠落している。 我々は、最先端のディープラーニングベースの予測と計画を体系的にレビューし、統合された予測と計画モデルに焦点を当てる。 モデルアーキテクチャやモデル設計から行動的側面まで、統合のさまざまな側面が考慮され、相互に関連付けられています。 さらに、異なる統合原則の意味、強み、限界についても論じる。 研究のギャップを指摘し、今後の課題を解説し、研究分野のトレンドを強調することによって、今後の研究への有望な方向性を明らかにする。

関連論文リスト

• The Role of World Models in Shaping Autonomous Driving: A Comprehensive Survey [50.62538723793247]
  ドライビング・ワールド・モデル(DWM)は、ドライビング・プロセス中のシーンの進化を予測することに焦点を当てている。 DWM法は、自律運転システムが動的運転環境をよりよく知覚し、理解し、相互作用することを可能にする。
  論文  参考訳（メタデータ） (2025-02-14T18:43:15Z)
• A Survey of World Models for Autonomous Driving [63.33363128964687]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 本稿では、自律運転の世界モデルにおける最近の進歩を体系的にレビューする。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• PPAD: Iterative Interactions of Prediction and Planning for End-to-end Autonomous Driving [57.89801036693292]
  PPAD(Iterative Interaction of Prediction and Planning Autonomous Driving)は、予測と計画のより良い統合を目的とした、タイムステップワイドなインタラクションである。 我々は,階層的動的キーオブジェクトに着目したego-to-agent,ego-to-map,ego-to-BEVインタラクション機構を設計し,インタラクションをモデル化する。
  論文  参考訳（メタデータ） (2023-11-14T11:53:24Z)
• Recent Advancements in End-to-End Autonomous Driving using Deep Learning: A Survey [9.385936248154987]
  エンド・ツー・エンドの運転は、モジュラーシステムに関連する欠点を回避するため、有望なパラダイムである。 エンド・ツー・エンド自動運転の最近の進歩は分析され、基礎原理に基づいて研究が分類される。 本稿では,最先端の評価,課題の特定,今後の可能性を探る。
  論文  参考訳（メタデータ） (2023-07-10T07:00:06Z)
• End-to-end Autonomous Driving: Challenges and Frontiers [45.391430626264764]
  エンドツーエンドの自動運転におけるモチベーション、ロードマップ、方法論、課題、今後のトレンドについて、270以上の論文を包括的に分析する。 マルチモダリティ、解釈可能性、因果的混乱、堅牢性、世界モデルなど、いくつかの重要な課題を掘り下げます。 基礎モデルと視覚前訓練の現在の進歩と、これらの技術をエンドツーエンドの駆動フレームワークに組み込む方法について論じる。
  論文  参考訳（メタデータ） (2023-06-29T14:17:24Z)
• 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)
• 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)
• Social-WaGDAT: Interaction-aware Trajectory Prediction via Wasserstein Graph Double-Attention Network [29.289670231364788]
  本稿では,マルチエージェント軌道予測のためのジェネリック生成ニューラルシステムを提案する。 また、車両軌道予測に効率的なキネマティック拘束層を応用した。 提案システムは,軌道予測のための3つの公開ベンチマークデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-02-14T20:11:13Z)

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。