論文の概要: Interpretable and Flexible Target-Conditioned Neural Planners For Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2309.13485v1
• Date: Sat, 23 Sep 2023 22:13:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-26 19:35:22.132045
• Title: Interpretable and Flexible Target-Conditioned Neural Planners For Autonomous Vehicles
• Title（参考訳）: 自律走行車のための解釈可能でフレキシブルなターゲット型ニューラルプランナー
• Authors: Haolan Liu, Jishen Zhao, Liangjun Zhang
• Abstract要約: 以前の作業では、1つの計画軌跡を見積もることしか学ばず、現実のシナリオでは複数の許容可能な計画が存在する場合もあります。 本稿では,自律走行車における鳥の視線における複数の潜在的目標を効果的に表現する,熱マップを回帰する解釈可能なニューラルプランナーを提案する。 Lyft Openデータセットの体系的な評価から、当社のモデルは、以前の作業よりも安全で柔軟な運転パフォーマンスを実現しています。
• 参考スコア（独自算出の注目度）: 22.396215670672852
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-based approaches to autonomous vehicle planners have the potential to scale to many complicated real-world driving scenarios by leveraging huge amounts of driver demonstrations. However, prior work only learns to estimate a single planning trajectory, while there may be multiple acceptable plans in real-world scenarios. To solve the problem, we propose an interpretable neural planner to regress a heatmap, which effectively represents multiple potential goals in the bird's-eye view of an autonomous vehicle. The planner employs an adaptive Gaussian kernel and relaxed hourglass loss to better capture the uncertainty of planning problems. We also use a negative Gaussian kernel to add supervision to the heatmap regression, enabling the model to learn collision avoidance effectively. Our systematic evaluation on the Lyft Open Dataset across a diverse range of real-world driving scenarios shows that our model achieves a safer and more flexible driving performance than prior works.
• Abstract（参考訳）: 自動運転車プランナーに対する学習ベースのアプローチは、膨大な数のドライバーデモを活用することで、多くの複雑な現実の運転シナリオにスケールする可能性がある。 しかし、事前の作業は単一の計画軌道を推定することのみを学習し、現実世界のシナリオには複数の許容可能な計画が存在するかもしれない。 そこで本研究では,自律走行車両の鳥眼視における複数の潜在的目標を効果的に表現する,熱マップを回帰する解釈可能なニューラルプランナーを提案する。 プランナーは適応ガウス核を採用し、砂時計の損失を緩和し、計画問題の不確実性をよりよく捉える。 また、負のガウス核を用いてヒートマップ回帰に監督を加え、モデルが衝突回避を効果的に学習できるようにする。 lyft open datasetをさまざまな実世界の運転シナリオで体系的に評価した結果、私たちのモデルは以前の作業よりも安全で柔軟な運転性能を実現しています。

関連論文リスト

• Solving Motion Planning Tasks with a Scalable Generative Model [15.858076912795621]
  本稿では,運転シーンのダイナミクスを学習する生成モデルに基づく効率的な解を提案する。 我々の革新的なデザインは、モデルがフルオートレグレッシブモードとパーシャルオートレグレッシブモードの両方で動作できるようにする。 提案した生成モデルは,様々な動作計画タスクの基盤となる可能性がある。
  論文  参考訳（メタデータ） (2024-07-03T03:57:05Z)
• 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)
• Driving into the Future: Multiview Visual Forecasting and Planning with World Model for Autonomous Driving [56.381918362410175]
  Drive-WMは、既存のエンド・ツー・エンドの計画モデルと互換性のある世界初のドライビングワールドモデルである。 ドライビングシーンで高忠実度マルチビュー映像を生成する。
  論文  参考訳（メタデータ） (2023-11-29T18:59:47Z)
• Integration of Reinforcement Learning Based Behavior Planning With Sampling Based Motion Planning for Automated Driving [0.5801044612920815]
  本研究では,高度行動計画のための訓練された深層強化学習ポリシーを用いる方法を提案する。 私たちの知る限りでは、この研究は、この方法で深層強化学習を適用した最初のものである。
  論文  参考訳（メタデータ） (2023-04-17T13:49:55Z)
• Interpretable Motion Planner for Urban Driving via Hierarchical Imitation Learning [5.280496662905411]
  本稿では,ハイレベルグリッドベース行動プランナと低レベル軌道プランナを含む階層型計画アーキテクチャを提案する。 高レベルプランナーが一貫した経路を見つける責任があるため、低レベルプランナーは実行可能な軌道を生成する。 本手法をクローズドループシミュレーションと実世界運転の両方で評価し,ニューラルネットワークプランナの優れた性能を実証する。
  論文  参考訳（メタデータ） (2023-03-24T13:18:40Z)
• 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)
• Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
  STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。 シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。 その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
  論文  参考訳（メタデータ） (2021-12-09T18:03:27Z)
• 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)
• Reactive motion planning with probabilistic safety guarantees [27.91467018272684]
  本稿では,複数の非制御エージェントを用いた環境における動作計画の問題点について考察する。 制御されていないエージェントの予測モデルは、シナリオに基づいて短い地平線内で全ての可能な軌道を予測するために訓練される。 提案手法は,自動運転を模擬したシナリオにおいてシミュレーションで実証される。
  論文  参考訳（メタデータ） (2020-11-06T20:37:15Z)
• 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。