基于可扩展生成模型的运动规划任务求解
机器人学
2024-07-04 v1 计算机视觉与模式识别
摘要
随着自动驾驶系统被部署到数百万辆车辆中，亟需提高系统的可扩展性、安全性并降低工程成本。高度现实、可扩展且实用的驾驶世界模拟器备受追求。本文提出一种基于生成模型的高效解决方案，通过学习驾驶场景的动力学特性来实现目标。该模型不仅能够模拟给定驾驶情景的多样化未来，还能根据各种提示生成多样化的驾驶情景。我们创新的设计使模型能够在完全自回归和部分自回归模式下运行，显著提高推理和训练速度，同时不牺牲生成能力。这种效率使其成为强化学习的在线响应环境、规划策略的评估器以及高保真仿真器的理想选择。我们在两个真实数据集上对模型进行评估：Waymo 运动数据集和 nuPlan 数据集。在仿真真实性和场景生成基准测试中，本模型实现了最先进的性能。在规划基准测试中，本规划器超越了先前的方法。我们得出结论，该提出的生成模型可能作为各种运动规划任务（包括数据生成、仿真、规划和在线训练）的基础。源代码已公开于 https://github.com/HorizonRobotics/GUMP/。
引用
@article{arxiv.2407.02797,
title = {Solving Motion Planning Tasks with a Scalable Generative Model},
author = {Yihan Hu and Siqi Chai and Zhening Yang and Jingyu Qian and Kun Li and Wenxin Shao and Haichao Zhang and Wei Xu and Qiang Liu},
journal= {arXiv preprint arXiv:2407.02797},
year = {2024}
}
备注
ECCV2024