toplogo
Resources
Sign In

Die nuPlan-Benchmark für autonomes Fahren in der realen Welt


Core Concepts
Maschinelles Lernen hat die Wahrnehmung und Vorhersage in autonomen Fahrzeugen revolutioniert, aber die Anwendung von ML-basierten Techniken für die Planung ist langsam.
Abstract
I. Einführung ML hat Wahrnehmung und Vorhersage verbessert, aber Planung bleibt hinterher. nuPlan bietet ein großes, diverses Datenset für autonomes Fahren. II. Verwandte Arbeit Übersicht über große Datensätze für Vorhersage und Planung. Vergleich von Datensätzen und Simulatoren. III. Datensatz Datensammlung in 4 Städten für ML-basierte Planung. Auto-Labeling von Objektspuren und Ampeldaten. IV. Simulation Modulares Simulationsframework für Umgebung und Planung. Agenten und Controller für Simulationen. V. Experimente Baselines für Planungsmethoden und Ergebnisse. Auswirkungen von Störungen und Generalisierung. VI. Schlussfolgerung nuPlan bietet Benchmark und Datensatz für autonome Fahrzeuge. Hybrid-Planer zeigen vielversprechende Ergebnisse.
Stats
Wir präsentieren nuPlan, die erste reale Fahrbenchmark und das größte vorhandene gelabelte Datenset für autonomes Fahren. Das Datenset besteht aus 1282 Stunden diverser Fahrszenarien in 4 Städten sowie 128 Stunden Rohsensor-Daten.
Quotes
"Maschinelles Lernen hat die Wahrnehmung und Vorhersage in autonomen Fahrzeugen revolutioniert, aber die Anwendung von ML-basierten Techniken für die Planung ist langsam."

Key Insights Distilled From

by Napat Karnch... at arxiv.org 03-08-2024

https://arxiv.org/pdf/2403.04133.pdf
Towards learning-based planning

Deeper Inquiries

Wie können ML-basierte Planer verbessert werden, um mit traditionellen Planungsmethoden zu konkurrieren?

Um ML-basierte Planer zu verbessern und mit traditionellen Planungsmethoden zu konkurrieren, können verschiedene Ansätze verfolgt werden: Hybride Ansätze: Eine Möglichkeit besteht darin, hybride Lösungen zu entwickeln, die die Vorteile sowohl von ML-basierten als auch von traditionellen Planungsmethoden nutzen. Dies könnte bedeuten, dass ML-Modelle verwendet werden, um die Planung zu unterstützen oder zu verfeinern, während traditionelle Regel-basierte Ansätze für die Hauptentscheidungen eingesetzt werden. Verbesserte Generalisierung: ML-Modelle müssen besser auf verschiedene Szenarien und Umgebungen generalisieren können. Dies kann durch eine Vielzahl von Trainingsdaten aus verschiedenen Standorten und Szenarien erreicht werden, um die Robustheit des Modells zu verbessern. Berücksichtigung von Sicherheitsgarantien: ML-basierte Planer müssen Sicherheitsgarantien bieten, um potenzielle Risiken zu minimieren. Dies könnte die Integration von Sicherheitsmechanismen und -prüfungen in den Planungsprozess umfassen. Verbesserte Datenaufbereitung: Eine sorgfältige Datenaufbereitung und -augmentierung kann dazu beitragen, die Qualität der Trainingsdaten zu verbessern und die Generalisierungsfähigkeit der ML-Modelle zu stärken. Kombination von Lernmethoden: Die Kombination verschiedener Lernalgorithmen und -techniken, wie z.B. Imitationslernen, inverses Verstärkungslernen und Reinforcement-Learning, kann dazu beitragen, die Leistungsfähigkeit der ML-basierten Planer zu steigern.

Wie können autonome Fahrzeuge besser auf verschiedene Standorte generalisieren?

Die Verbesserung der Generalisierungsfähigkeit von autonomen Fahrzeugen auf verschiedene Standorte erfordert folgende Maßnahmen: Datenvariation: Das Training von autonomen Fahrzeugen sollte mit einer Vielzahl von Daten aus verschiedenen Standorten und Umgebungen erfolgen, um eine breite Abdeckung von Szenarien zu gewährleisten. Transferlernen: Durch den Einsatz von Transferlernen können Modelle auf einem Standort trainiert und dann auf andere Standorte übertragen werden. Dies hilft, die Anpassungsfähigkeit der Modelle zu verbessern. Simulation und Realität: Die Kombination von Simulation und echten Daten aus verschiedenen Standorten kann dazu beitragen, autonome Fahrzeuge auf eine Vielzahl von Szenarien vorzubereiten und die Generalisierungsfähigkeit zu stärken. Berücksichtigung von Standortmerkmalen: Die Integration von Standortmerkmalen in das Trainingsmaterial, wie z.B. spezifische Verkehrsregeln, Straßenlayouts und Wetterbedingungen, kann dazu beitragen, die Modelle besser auf die jeweiligen Standorte anzupassen. Kontinuierliches Lernen: Durch kontinuierliches Lernen und Anpassen an neue Standorte und Szenarien können autonome Fahrzeuge ihre Fähigkeit zur Generalisierung verbessern und mit sich ändernden Umgebungen umgehen.

Welche Auswirkungen hat die Störung von Detektionen auf die Leistung von autonomen Fahrzeugen?

Die Störung von Detektionen kann erhebliche Auswirkungen auf die Leistung von autonomen Fahrzeugen haben: Fehlende oder fehlerhafte Erkennung: Störungen in den Detektionen können dazu führen, dass Objekte nicht erkannt oder falsch klassifiziert werden, was zu potenziell gefährlichen Situationen führen kann. Einschränkung der Planung: Wenn die Detektionen gestört sind, erhält das Planungssystem möglicherweise ungenaue oder unvollständige Informationen über die Umgebung, was zu inkorrekten Entscheidungen führen kann. Sicherheitsrisiken: Eine unzuverlässige Detektion kann die Sicherheit des autonomen Fahrzeugs und anderer Verkehrsteilnehmer gefährden, da das Fahrzeug möglicherweise nicht angemessen auf seine Umgebung reagieren kann. Leistungsabfall: Störungen in den Detektionen können die Gesamtleistung des autonomen Fahrzeugs beeinträchtigen, indem sie die Genauigkeit der Wahrnehmung und die Effektivität der Planung verringern. Notwendigkeit von Redundanz: Um die Auswirkungen von Detektionsstörungen zu minimieren, können autonome Fahrzeuge Redundanz in ihren Detektionssystemen implementieren, um sicherzustellen, dass sie auch bei Störungen zuverlässig funktionieren.
0