端到端可解释神经运动规划器
计算机视觉与模式识别
2021-01-19 v1 机器人学
摘要
在本文中，我们提出一种神经运动规划器（NMP），用于学习在包含交通灯处理、避让以及与多个道路使用者交互的复杂城市场景中自主驾驶。为此，我们设计了一个整体模型，该模型以原始LIDAR数据和HD地图作为输入，并生成可解释的中间表示，形式为3D检测及其未来轨迹，以及一个定义自动驾驶汽车在规划时域内可采取的每个位置优劣的代价体。然后我们采样一组多样化且物理可行的轨迹，并选择具有最小学习代价的那条。重要的是，我们的代价体能够自然捕捉多模态。我们在北美多个城市捕获的真实驾驶数据中展示了方法的有效性。我们的实验表明，学习到的代价体能够生成比所有基线更安全的规划。
引用
@article{arxiv.2101.06679,
title = {End-to-end Interpretable Neural Motion Planner},
author = {Wenyuan Zeng and Wenjie Luo and Simon Suo and Abbas Sadat and Bin Yang and Sergio Casas and Raquel Urtasun},
journal= {arXiv preprint arXiv:2101.06679},
year = {2021}
}
备注
CVPR 2019 (Oral)