通过混合专家预测与规划实现安全真实世界自动驾驶
机器人学
2022-11-07 v1 机器学习
摘要
自动驾驶车辆的目标是在公共道路上安全且舒适地行驶。为确保安全，传统规划方法依赖手工规则来生成轨迹。另一方面，基于机器学习的系统随数据扩展，能够学习更复杂的行为。然而，它们常忽略可利用智能体与本车轨迹分布来提升安全性。本文中，我们提出使用统一的神经网络架构对自车与其他道路智能体的多条未来轨迹分布进行建模，用于预测与规划。推理时，我们选择使考虑安全性与预测概率的代价最小的规划轨迹。我们的方法不依赖任何基于规则的规划器进行轨迹生成或优化，随训练数据增多而提升，且易于实现。我们通过真实模拟器广泛评估了该方法，表明预测的轨迹分布对应于不同的驾驶风格。我们还在城市公共道路上成功部署于自动驾驶车辆，证实其在不牺牲舒适性的前提下安全行驶。在公开预测数据集上训练与测试我们模型的代码以及道路测试视频见 https://woven.mobi/safepathnet
引用
@article{arxiv.2211.02131,
title = {Safe Real-World Autonomous Driving by Learning to Predict and Plan with a Mixture of Experts},
author = {Stefano Pini and Christian S. Perone and Aayush Ahuja and Ana Sofia Rufino Ferreira and Moritz Niendorf and Sergey Zagoruyko},
journal= {arXiv preprint arXiv:2211.02131},
year = {2022}
}