核心概念
ナレッジ・ディスティレーションを用いて小型の相互作用予測モデルを訓練することで、最適化の計算効率を大幅に向上させることができる。これにより、自動運転車の相互作用を考慮した経路計画を実時間で実現できる。
要約
本研究では、自動運転車の相互作用を考慮した経路計画問題を取り扱っている。この問題は、ニューラルネットワークベースの予測モデルと最適制御手法を統合したものであり、計算複雑性が高いという課題がある。
具体的には以下のような流れで進められている:
大規模なニューラルネットワークモデル(ティーチャーネットワーク)を用いて、周辺車両の相互作用を考慮した予測を行う。このモデルは高精度だが計算コストが高い。
ナレッジ・ディスティレーションを用いて、ティーチャーネットワークの知識を小型のニューラルネットワーク(スチューデントネットワーク)に蒸留する。
スチューデントネットワークを最適化問題に組み込むことで、計算時間を大幅に短縮できることを示す。具体的には、最適化の状態更新部分の計算時間が約6倍短縮された。
スチューデントネットワークを用いた場合でも、最適経路の精度はティーチャーネットワークと同等であることを確認した。
以上のように、ナレッジ・ディスティレーションを活用することで、自動運転車の相互作用を考慮した経路計画を実時間で実現できるようになった。
統計
最適化の状態更新部分の計算時間がスチューデントネットワークを使うことで約6倍短縮された。
スチューデントネットワークを使った場合の最適化全体の計算時間は、ティーチャーネットワークを使う場合の約5倍高速であった。
引用
"ナレッジ・ディスティレーションを活用することで、自動運転車の相互作用を考慮した経路計画を実時間で実現できるようになった。"
"スチューデントネットワークを用いた場合でも、最適経路の精度はティーチャーネットワークと同等であることを確認した。"