Core Concepts
Ein VQ-VAE-basierter Ansatz zur Erfassung der Multimodalität von optimalen Fahrtrajectories und ein differenzierbarer Sicherheitsfilter, der die Kollisionsvermeidung und Einhaltung der Fahrbahngrenzen gewährleistet, übertreffen den CVAE-basierten Stand der Technik deutlich.
Abstract
Die Autoren präsentieren einen neuartigen Ansatz zur Trajektorienplanung für autonomes Fahren, der auf einem Vector-Quantized Variational Autoencoder (VQ-VAE) basiert. Im Gegensatz zu herkömmlichen Conditional Variational Autoencoders (CVAE) ist der diskrete Latenzraum des VQ-VAE besser geeignet, die Multimodalität der optimalen Fahrtrajectories zu erfassen.
Der Ansatz besteht aus mehreren Komponenten:
Trainieren eines VQ-VAE-Modells auf Demonstrations-Trajektorien, um eine diskrete Latenzraumdarstellung der optimalen Trajektorien zu lernen.
Entwickeln eines PixelCNN-Modells, um aus der gelernten diskreten Latenzraumdarstellung bedingte Trajektorienproben zu generieren.
Einbetten eines differenzierbaren Quadratischen Programms (QP) in den VQ-VAE-Decoder, um eine interpretierbare Darstellung der Trajektorien in Form von Geschwindigkeits- und Querversatz-Sollwerten zu erhalten.
Entwickeln eines lernbaren Sicherheitsfilters, der die VQ-VAE-generierten Trajektorien hinsichtlich Kollisionsvermeidung und Einhaltung der Fahrbahngrenzen optimiert. Der Sicherheitsfilter wird in einem selbstüberwachten Lernverfahren trainiert, um die Parameter der Barrierefunktionen und eine gute Initialisierung des zugrunde liegenden Optimierers zu lernen.
Die Autoren zeigen, dass ihr VQ-VAE-basierter Ansatz eine deutlich höhere Kollisionsvermeidung als der CVAE-basierte Stand der Technik erreicht, während er bei der Fahrgeschwindigkeit konkurrenzfähig bleibt. Insbesondere in Szenarien mit hoher Verkehrsdichte erzielt der VQ-VAE-Ansatz eine Reduzierung der Kollisionsrate um bis zu 12-mal. Darüber hinaus zeigt der Ansatz eine gute Skalierbarkeit bei eingeschränkten Rechenressourcen.
Stats
Die Trajektorien-Geschwindigkeit kann bis zu 14 m/s betragen.
Die maximale Beschleunigung des Ego-Fahrzeugs beträgt amax.
Die minimale und maximale Geschwindigkeit des Ego-Fahrzeugs betragen vmin und vmax.
Quotes
"VQ-VAE zeigt eine höhere Vielfalt und Multimodalität in den abgetasteten Trajektorien."
"Unser VQ-VAE-basierter Ansatz erzielt eine deutlich höhere Kollisionsvermeidung als der CVAE-basierte Stand der Technik, während er bei der Fahrgeschwindigkeit konkurrenzfähig bleibt."