面向交互环境中预测与规划联合的像素状态值网络
机器人学
2024-10-28 v1 人工智能
摘要
在城市环境中运行的自动驾驶车辆必须可靠地与其他交通参与者交互。规划算法常利用独立预测模块来预报物体的概率性、多模态和交互式行为。将预测与规划设计为两个独立模块带来了显著挑战，尤其因这些模块相互依赖。本工作提出一种深度学习方法来联合预测与规划。训练一个具有 U-Net 架构的条件 GAN 来预测两个高分辨率图像序列。这些序列表示显式运动预测（主要用于训练上下文理解）以及适用于规划的像素状态值，其编码了运动学可达性、物体动力学、安全性与驾驶舒适性。该模型可在由基于采样的模型预测规划器渲染的目标图像上离线训练，并利用真实世界驾驶数据。我们的结果显示在复杂情境（如冲突目标中的变道）中行为直观。
引用
@article{arxiv.2310.07706,
title = {Pixel State Value Network for Combined Prediction and Planning in Interactive Environments},
author = {Sascha Rosbach and Stefan M. Leupold and Simon Großjohann and Stefan Roth},
journal= {arXiv preprint arXiv:2310.07706},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication