論文の概要: A Framework for Learning Scoring Rules in Autonomous Driving Planning Systems

• arxiv url: http://arxiv.org/abs/2502.11352v1
• Date: Mon, 17 Feb 2025 02:06:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:08:39.803811
• Title: A Framework for Learning Scoring Rules in Autonomous Driving Planning Systems
• Title（参考訳）: 自動運転計画システムにおけるスコーリングルールの学習フレームワーク
• Authors: Zikang Xiong, Joe Kurian Eappen, Suresh Jagannathan,
• Abstract要約: FLoRAは、時間論理で表される解釈可能なスコアリングルールを学ぶフレームワークである。 本手法は,学習データに肯定的な例しか含まれていないにもかかわらず,運転行動の評価を効果的に学習する。 クローズドループ計画シミュレーションの評価は、学習したスコアリングルールが既存の手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 2.4578723416255754
• License:
• Abstract: In autonomous driving systems, motion planning is commonly implemented as a two-stage process: first, a trajectory proposer generates multiple candidate trajectories, then a scoring mechanism selects the most suitable trajectory for execution. For this critical selection stage, rule-based scoring mechanisms are particularly appealing as they can explicitly encode driving preferences, safety constraints, and traffic regulations in a formalized, human-understandable format. However, manually crafting these scoring rules presents significant challenges: the rules often contain complex interdependencies, require careful parameter tuning, and may not fully capture the nuances present in real-world driving data. This work introduces FLoRA, a novel framework that bridges this gap by learning interpretable scoring rules represented in temporal logic. Our method features a learnable logic structure that captures nuanced relationships across diverse driving scenarios, optimizing both rules and parameters directly from real-world driving demonstrations collected in NuPlan. Our approach effectively learns to evaluate driving behavior even though the training data only contains positive examples (successful driving demonstrations). Evaluations in closed-loop planning simulations demonstrate that our learned scoring rules outperform existing techniques, including expert-designed rules and neural network scoring models, while maintaining interpretability. This work introduces a data-driven approach to enhance the scoring mechanism in autonomous driving systems, designed as a plug-in module to seamlessly integrate with various trajectory proposers. Our video and code are available on xiong.zikang.me/FLoRA.
• Abstract（参考訳）: 自律運転システムでは、運動計画が2段階のプロセスとして一般的に実施される: まず、軌道提案者が複数の候補軌跡を生成し、スコアリング機構が実行に最も適した軌跡を選択する。 この批判的な選択段階において、ルールベースのスコアリングメカニズムは特に魅力的であり、運転の嗜好、安全性の制約、交通規制を、形式化された、人間に理解可能な形式で明示的にエンコードすることができる。 しかし、これらのスコアリングルールを手動で作成することは、しばしば複雑な相互依存を含んでおり、注意深くパラメータチューニングを必要とし、現実世界の運転データに存在するニュアンスを完全に把握できない、という大きな課題を生じさせる。 この研究は、時間論理で表される解釈可能なスコアリングルールを学習することで、このギャップを橋渡しする新しいフレームワークであるFLoRAを導入している。 提案手法は,NuPlanで収集した実世界駆動デモから直接,ルールとパラメータを最適化し,多様な駆動シナリオ間のニュアンス関係を抽出する学習可能な論理構造を特徴とする。 本手法は, 積極的事例のみを含む訓練データであっても, 運転行動の評価を効果的に行うことができる。 クローズドループ計画シミュレーションの評価では、学習したスコアリングルールは、解釈可能性を維持しながら、専門家が設計したルールやニューラルネットワークスコアリングモデルなど、既存の手法よりも優れていることが示された。 本研究は,自動走行システムにおけるスコアリング機構を強化するためのデータ駆動型アプローチを導入し,様々な軌道提案者とシームレスに統合するプラグインモジュールとして設計した。 ビデオとコードはxiong.zikang.me/FLoRAで公開しています。

関連論文リスト

• Diffusion-Based Planning for Autonomous Driving with Flexible Guidance [19.204115959760788]
  閉ループ計画のための新しい変圧器ベース拡散プランナを提案する。 本モデルは,予測タスクと計画タスクの協調モデリングを支援する。 様々な運転スタイルで頑健な伝達性を持つ最先端の閉ループ性能を実現する。
  論文  参考訳（メタデータ） (2025-01-26T15:49:50Z)
• GPD-1: Generative Pre-training for Driving [77.06803277735132]
  本稿では,これらすべてのタスクを実現するために,GPD-1(Generative Pre-Training for Driving)モデルを提案する。 それぞれのシーンをエゴ、エージェント、マップトークンで表現し、統一トークン生成問題として自律運転を定式化する。 GPD-1は、シーン生成、交通シミュレーション、クローズドループシミュレーション、マップ予測、モーションプランニングなど、微調整なしで様々なタスクに適応する。
  論文  参考訳（メタデータ） (2024-12-11T18:59:51Z)
• Learning Soft Driving Constraints from Vectorized Scene Embeddings while Imitating Expert Trajectories [16.666811573117613]
  運動計画の第一の目的は、車両の安全で効率的な軌道を生成することである。 伝統的に、運動計画モデルは、人間の専門家の行動を模倣するために模倣学習を用いて訓練される。 本研究では,制約学習を模倣学習に統合する手法を提案する。
  論文  参考訳（メタデータ） (2024-12-07T18:29:28Z)
• 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)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• Optimizing Trajectories for Highway Driving with Offline Reinforcement Learning [11.970409518725491]
  自律運転に対する強化学習に基づくアプローチを提案する。 我々のエージェントの性能を他の4つのハイウェイ運転エージェントと比較する。 ランダムに収集されたデータを持つオフライントレーニングエージェントが、望ましい速度に可能な限り近い速度で、他のエージェントよりも優れた速度で、スムーズに駆動することを学ぶことを実証します。
  論文  参考訳（メタデータ） (2022-03-21T13:13:08Z)
• How To Not Drive: Learning Driving Constraints from Demonstration [0.0]
  本研究では,人間の運転軌跡から運動計画制約を学習するための新しい手法を提案する。 行動計画は、交通規則に従うために要求される高いレベルの意思決定に責任を負う。 運動プランナーの役割は、自動運転車が従うための実用的で安全な軌道を作り出すことである。
  論文  参考訳（メタデータ） (2021-10-01T20:47:04Z)
• Learning to drive from a world on rails [78.28647825246472]
  モデルベースアプローチによって,事前記録された運転ログからインタラクティブな視覚ベースの運転方針を学習する。 世界の前方モデルは、あらゆる潜在的な運転経路の結果を予測する運転政策を監督する。 提案手法は,carla リーダボードにまずランク付けし,40 倍少ないデータを用いて25%高い運転スコアを得た。
  論文  参考訳（メタデータ） (2021-05-03T05:55:30Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• 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。