論文の概要: Planning with Adaptive World Models for Autonomous Driving

• arxiv url: http://arxiv.org/abs/2406.10714v1
• Date: Sat, 15 Jun 2024 18:53:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-18 23:04:22.104277
• Title: Planning with Adaptive World Models for Autonomous Driving
• Title（参考訳）: 自律運転のための適応的世界モデルによる計画
• Authors: Arun Balajee Vasudevan, Neehar Peri, Jeff Schneider, Deva Ramanan,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 50.4439896514353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motion planning is crucial for safe navigation in complex urban environments. Historically, motion planners (MPs) have been evaluated with procedurally-generated simulators like CARLA. However, such synthetic benchmarks do not capture real-world multi-agent interactions. nuPlan, a recently released MP benchmark, addresses this limitation by augmenting real-world driving logs with closed-loop simulation logic, effectively turning the fixed dataset into a reactive simulator. We analyze the characteristics of nuPlan's recorded logs and find that each city has its own unique driving behaviors, suggesting that robust planners must adapt to different environments. We learn to model such unique behaviors with BehaviorNet, a graph convolutional neural network (GCNN) that predicts reactive agent behaviors using features derived from recently-observed agent histories; intuitively, some aggressive agents may tailgate lead vehicles, while others may not. To model such phenomena, BehaviorNet predicts parameters of an agent's motion controller rather than predicting its spacetime trajectory (as most forecasters do). Finally, we present AdaptiveDriver, a model-predictive control (MPC) based planner that unrolls different world models conditioned on BehaviorNet's predictions. Our extensive experiments demonstrate that AdaptiveDriver achieves state-of-the-art results on the nuPlan closed-loop planning benchmark, reducing test error from 6.4% to 4.6%, even when applied to never-before-seen cities.
• Abstract（参考訳）: 複雑な都市環境での安全な航行には運動計画が不可欠である。 歴史的に、運動プランナー(MP)はCARLAのような手続き的に生成されたシミュレータで評価されてきた。 しかし、このような合成ベンチマークは実世界のマルチエージェント相互作用を捉えない。 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運転ログを拡大することで、この制限に対処し、固定データセットをリアクティブシミュレータに効果的に変換する。 我々は、nuPlanの記録ログの特徴を分析し、各都市が独自の運転行動を持っていることを発見し、ロバストなプランナーが異なる環境に適応する必要があることを示唆した。 グラフ畳み込みニューラルネットワーク(GCNN)でこのようなユニークな振る舞いをモデル化することを学び、最近観測されたエージェント履歴から派生した特徴を用いて反応性エージェントの挙動を予測する。 このような現象をモデル化するために、BehaviorNetは時空軌道を予測するのではなく、エージェントのモーションコントローラのパラメータを予測する(ほとんどの予測者はそうしている)。 最後に,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを紹介する。 我々の広範な実験により、AdaptiveDriverはnuPlanクローズドループ計画ベンチマークで最先端の結果を達成し、これまで見たことのない都市でもテストエラーを6.4%から4.6%に削減した。

関連論文リスト

• MFTraj: Map-Free, Behavior-Driven Trajectory Prediction for Autonomous Driving [15.965681867350215]
  本稿では,自律走行に適した軌道予測モデルを提案する。 歴史的軌跡データと新しい幾何学的動的グラフに基づく行動認識モジュールを組み合わせる。 計算効率とパラメータオーバーヘッドの低減を実現している。
  論文  参考訳（メタデータ） (2024-05-02T13:13:52Z)
• Tractable Joint Prediction and Planning over Discrete Behavior Modes for Urban Driving [15.671811785579118]
  自己回帰閉ループモデルのパラメータ化は,再学習を伴わずに可能であることを示す。 離散潜在モード上での完全反応性閉ループ計画を提案する。 当社のアプローチは、CARLAにおける従来の最先端技術よりも、高密度なトラフィックシナリオに挑戦する上で優れています。
  論文  参考訳（メタデータ） (2024-03-12T01:00:52Z)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)
• 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)
• Interactive Joint Planning for Autonomous Vehicles [19.479300967537675]
  対話的な運転シナリオでは、あるエージェントの行動が隣人の行動に大きな影響を及ぼす。 本稿では,MPCを学習予測モデルでブリッジする対話型共同計画(Interactive Joint Planning, IJP)を提案する。 IJPは、共同最適化やサンプリングベースの計画を実行することなく、ベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2023-10-27T17:48:25Z)
• TrafficBots: Towards World Models for Autonomous Driving Simulation and Motion Prediction [149.5716746789134]
  我々は,データ駆動型交通シミュレーションを世界モデルとして定式化できることを示した。 動作予測とエンドツーエンドの運転に基づくマルチエージェントポリシーであるTrafficBotsを紹介する。 オープンモーションデータセットの実験は、TrafficBotsが現実的なマルチエージェント動作をシミュレートできることを示している。
  論文  参考訳（メタデータ） (2023-03-07T18:28:41Z)
• A Hierarchical Pedestrian Behavior Model to Generate Realistic Human Behavior in Traffic Simulation [11.525073205608681]
  本稿では,行動木を用いた階層的歩行者行動モデルを提案する。 私たちの作業の完全な実装は、シナリオ定義と実行エンジンであるGeoScenario Serverに統合されます。 提案モデルでは,実際の歩行者の軌跡を高精度に再現し,意思決定精度を98%以上とした。
  論文  参考訳（メタデータ） (2022-06-01T02:04:38Z)
• Deep Interactive Motion Prediction and Planning: Playing Games with Motion Prediction Models [162.21629604674388]
  本研究は,新しい対話型マルチエージェントニューラルネットワークポリシを予測モデルの一部として使用するゲーム理論モデル予測制御器(MPC)を提案する。 本手法の成功の基礎は,周辺エージェントの状態と地図情報に基づいて車両を操縦できる,新しいマルチエージェントポリシーネットワークの設計である。
  論文  参考訳（メタデータ） (2022-04-05T17:58:18Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)

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。