核心概念
Das vorgeschlagene GenAD-Modell modelliert autonomes Fahren als ein generatives Problem, um die Wechselwirkungen zwischen Ego-Fahrzeug und anderen Verkehrsteilnehmern sowie die strukturierte Natur realistischer Trajektorien zu berücksichtigen. Durch das Lernen eines strukturierten Latenzraums zur Modellierung der Trajektorienverteilung kann GenAD gleichzeitig Bewegungsvorhersage und Planung durchführen und erreicht so den aktuellen Stand der Technik bei der visionszentrierten Planung.
摘要
Die Studie präsentiert einen generativen Ansatz für das End-to-End-autonome Fahren, genannt GenAD. Anstatt die übliche serielle Verarbeitung von Wahrnehmung, Bewegungsvorhersage und Planung zu verwenden, modelliert GenAD autonomes Fahren als ein generatives Problem.
Zunächst wird eine instanzenzentrierte Szenenrepräsentation entwickelt, die Interaktionen zwischen Ego-Fahrzeug und anderen Agenten sowie Karteninformationen berücksichtigt. Dann wird ein variationelles Autoencoder-Modell verwendet, um eine strukturierte Latenzraumdarstellung realistischer Trajektorien zu lernen. Schließlich wird ein zeitliches Modell eingesetzt, um Bewegungen in diesem Latenzraum zu generieren und so gleichzeitig Bewegungsvorhersage und Planung durchzuführen.
Umfangreiche Experimente auf dem nuScenes-Benchmark zeigen, dass GenAD den aktuellen Stand der Technik bei der visionszentrierten Planung mit hoher Effizienz erreicht. Die instanzenzentrierte Szenenrepräsentation und die generative Modellierung der Trajektorien tragen wesentlich zu dieser Leistungsfähigkeit bei.
統計資料
Die Trajektorien von Ego-Fahrzeugen und anderen Agenten sind hochstrukturiert und folgen bestimmten Mustern, wie z.B. kontinuierlichen geraden oder gekrümmten Linien.
Die meisten Trajektorien sind Geraden mit konstanter Geschwindigkeit, nur in seltenen Fällen sind sie zickzackförmig.
引述
"Wir argumentieren, dass der herkömmliche schrittweise Ablauf immer noch nicht den gesamten Verkehrsevolutionsprozess umfassend modellieren kann, z.B. die zukünftige Interaktion zwischen dem Ego-Auto und anderen Verkehrsteilnehmern und den strukturellen Trajektorienprior."
"Wir modellieren autonomes Fahren als ein Trajektorienerzeugungsproblem, um das volle Potenzial von End-to-End-Methoden auszuschöpfen."