Core Concepts
自動運転における多様な振る舞いモードを考慮した閉ループ計画の重要性を強調します。
Abstract
自動運転におけるトラジェクトリ予測モデルと計画手法の統合が開かれている問題であることが指摘されています。
既存のモデルはオープンループ予測向けに評価されてきましたが、本研究ではこれらのモデルを再学習せずに閉ループモデルに使用できることが示されています。
集約されたアンカー埋め込みを活用した最近のトラジェクトリ予測手法が、高レベルな運転行動を表す離散的かつ異なるモードを予測することが示されています。
集約されたアンカー埋め込みを使用して、密集した交通シナリオで前例のない状況下で閉ループ計画を実行する新しいアプローチが提案されています。
INTRODUCTION
自律車両における高度な相互作用シナリオは現在の自動車にとって大きな課題です。
多くのドライバーは交通渋滞時に積極的に振る舞うべきだと知っていますが、これらのシナリオは自律車両にとって大きな挑戦です。
TRAJECTORY PREDICTION
複数エージェント間で未来の状態分布をモデル化するため、カテゴリカル潜在変数za_tを使用して高レベル多様性行動を表現します。
ネットワークアーキテクチャは全エージェント向けに異なるモードを一度に予測し、各エージェントごとにK×A個の長さHのトラジェクトリを出力します。
CLOSED-LOOP PLANNING
逐次的サンプリングや雑音付き報酬関数最大化等、閉ループ計画手法が提案されます。
潜在変数z0 = [z0_0, ...z0_T−1] を時間経過ごと一貫させ、K個のego-modeで式3を最適化します。
RESULTS
Merging scenarios
提案手法は他手法よりも優れた成功率およびパフォーマンスを示しました。閉ループプランニングは静止エピソード率が低く成功率も高いことから効果的であることが示唆されます。
Longest6 benchmark scenarios
CARLA Longest6シナリオでも提案手法は他手法よりも優れたドライブスコアを記録しました。積極的な振る舞いやチャレンジングなインタラクションへの対応能力が評価されました。
Stats
"我々はCARLA Longest6 benchmarkで7.4百万パラメータ規模のモデルを使用しました。"
"提案手法では8つの潜在モード(K=8)および8つ(N=8)サンプルで期待報酬値推定しています。"