論文の概要: Pioneering SE(2)-Equivariant Trajectory Planning for Automated Driving
- arxiv url: http://arxiv.org/abs/2403.11304v1
- Date: Sun, 17 Mar 2024 18:53:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 17:36:46.798048
- Title: Pioneering SE(2)-Equivariant Trajectory Planning for Automated Driving
- Title（参考訳）: 自動走行用ピオネリングSE(2)-同変軌道計画
- Authors: Steffen Hagedorn, Marcel Milich, Alexandru P. Condurache,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 45.18582668677648
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Planning the trajectory of the controlled ego vehicle is a key challenge in automated driving. As for human drivers, predicting the motions of surrounding vehicles is important to plan the own actions. Recent motion prediction methods utilize equivariant neural networks to exploit geometric symmetries in the scene. However, no existing method combines motion prediction and trajectory planning in a joint step while guaranteeing equivariance under roto-translations of the input space. We address this gap by proposing a lightweight equivariant planning model that generates multi-modal joint predictions for all vehicles and selects one mode as the ego plan. The equivariant network design improves sample efficiency, guarantees output stability, and reduces model parameters. We further propose equivariant route attraction to guide the ego vehicle along a high-level route provided by an off-the-shelf GPS navigation system. This module creates a momentum from embedded vehicle positions toward the route in latent space while keeping the equivariance property. Route attraction enables goal-oriented behavior without forcing the vehicle to stick to the exact route. We conduct experiments on the challenging nuScenes dataset to investigate the capability of our planner. The results show that the planned trajectory is stable under roto-translations of the input scene which demonstrates the equivariance of our model. Despite using only a small split of the dataset for training, our method improves L2 distance at 3 s by 20.6 % and surpasses the state of the art.
- Abstract（参考訳）: 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。
人間のドライバーについては、周囲の車両の動きを予測することが、自身の行動を計画する上で重要である。
近年の動作予測手法は、均質なニューラルネットワークを用いて、シーンの幾何学的対称性を利用する。
しかし、既存の方法では、入力空間のロト変換の下での等価性を保証しながら、共同ステップでの運動予測と軌道計画を組み合わせることはできない。
このギャップを解消するために,全車両に複数モーダルな関節予測を発生させ,エゴ計画として1つのモードを選択する軽量同変計画モデルを提案する。
同変ネットワーク設計は、サンプル効率を改善し、出力安定性を保証し、モデルパラメータを低減する。
さらに,車載GPSナビゲーションシステムによって提供される高レベルルートに沿って,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。
このモジュールは、同値性を保ちながら、埋め込み車両の位置から潜在空間の経路への運動量を生成する。
ルートアトラクションは、車両に正確なルートに固執させることなく、ゴール指向の動作を可能にする。
我々は、計画立案者の能力を調べるために、挑戦的なnuScenesデータセットの実験を行う。
その結果,提案手法は入力シーンのロト変換の下で安定であり,モデルの等価性を示すことがわかった。
トレーニング用データセットのごく一部しか使用していないにもかかわらず、我々の手法はL2距離を3秒で20.6%改善し、最先端技術を上回っている。
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) - Hybrid Imitation-Learning Motion Planner for Urban Driving [0.0]
本稿では,学習ベースと最適化ベースを融合した新しいハイブリッドモーションプランナを提案する。
我々のモデルは、これらの目的に固有のトレードオフを緩和し、安全性と人間の類似性を効果的にバランスさせます。
シミュレーション実験により本手法を検証し,現実の自動運転車に導入することで,その有効性を更に実証する。
論文 参考訳（メタデータ） (2024-09-04T16:54:31Z) - A Tricycle Model to Accurately Control an Autonomous Racecar with Locked
Differential [71.53284767149685]
自動オープンホイールレースカーの側面力学に対するロックディファレンシャルの影響をモデル化するための新しい定式化を提案する。
本稿では,マイクロステップの離散化手法を用いて,動的に線形化し,実時間実装に適した予測を行う。
論文 参考訳（メタデータ） (2023-12-22T16:29:55Z) - Integrating Higher-Order Dynamics and Roadway-Compliance into
Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。
既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。
このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
論文 参考訳（メタデータ） (2023-09-25T22:30:18Z) - Trajectory Prediction with Observations of Variable-Length for Motion
Planning in Highway Merging scenarios [5.193470362635256]
既存の手法では、2秒以上の一定期間の観測がなければ、車両の予測を開始することはできない。
本稿では,1フレーム以上の観測長を扱うために特別に訓練されたトランスフォーマーを用いた軌道予測手法を提案する。
2つの大規模高速道路軌道データセットを用いて提案手法の総合評価を行う。
論文 参考訳（メタデータ） (2023-06-08T18:03:48Z) - Rethinking the Open-Loop Evaluation of End-to-End Autonomous Driving in
nuScenes [38.43491956142818]
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。
本稿では,これらの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。
我々の単純な手法は、nuScenesデータセットと他の知覚に基づく手法と同じようなエンド・ツー・エンドの計画性能を実現し、平均L2誤差を約20%削減する。
論文 参考訳（メタデータ） (2023-05-17T17:59:11Z) - 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) - Incorporating Orientations into End-to-end Driving Model for Steering
Control [12.163394005517766]
本稿では,自動運転のための深層ニューラルネットワークモデルを提案する。
単眼画像シーケンスを入力として取得し、直接ステアリング制御角度を生成します。
私たちのデータセットには、都市、国、オフロードなどの複数の運転シナリオが含まれます。
論文 参考訳（メタデータ） (2021-03-10T03:14:41Z) - 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) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z)
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。