[論文レビュー] A Data Driven Approach for Motion Planning of Autonomous Driving Under Complex Scenario.

Chenyang Xi, Tianyu Shi+1 more|arXiv (Cornell University)|Apr 18, 2019

Robotic Path Planning Algorithms被引用数 3

ひとこと要約

本論文は、最適な車線変更軌道生成のための混合整数二次計画法（MIQP）と、高速な意思決定のための階層的教師あり学習モデルを組み合わせた、学習ベースの自動運転向け運動計画フレームワークを提案する。この手法は、従来のサンプリング法や最適化ベースの手法に比べ、優れた最適性、リアルタイム効率性、一般化性能を達成しており、実験において複数のベースラインを上回る性能を示した。

ABSTRACT

Intelligent motion planning is one of the core components in automated vehicles, which has received extensive interests. Traditional motion planning methods suffer from several drawbacks in terms of optimality, efficiency and generalization capability. Sampling based methods cannot guarantee the optimality of the generated trajectories. Whereas the optimization-based methods are not able to perform motion planning in real-time, and limited by the simplified formalization. In this work, we propose a learning-based approach to handle those shortcomings. Mixed Integer Quadratic Problem based optimization (MIQP) is used to generate the optimal lane-change trajectories which served as the training dataset for learning-based action generation algorithms. A hierarchical supervised learning model is devised to make the fast lane-change decision. Numerous experiments have been conducted to evaluate the optimality, efficiency, and generalization capability of the proposed approach. The experimental results indicate that the proposed model outperforms several commonly used motion planning baselines.

研究の動機と目的

• 複雑な走行シナリオ下での従来の運動計画手法の最適性、リアルタイム性能、一般化性能の限界を解決すること。
• サンプリングベースの手法の部分最適性と、最適化ベースのアプローチの計算非効率性を克服すること。
• 高品質で最適な軌道を学習データとして活用する学習ベースのフレームワークを構築し、高速かつ信頼性の高い意思決定を可能にすること。
• 階層的教師あり学習を用いて、複雑な交通環境下でもリアルタイムで一般化可能な車線変更意思決定を実現すること。

提案手法

• 最適な車線変更軌道を生成するため、混合整数二次計画法（MIQP）を用い、高品質で実行可能である運動計画を保証する学習データセットとしての生成を行う。
• 高速な意思決定を可能にするために、階層的教師あり学習モデルを設計し、リアルタイム実行を実現する。
• MIQPで生成された軌道を学習データとして用いることで、最適な行動を埋め込みつつ、計算効率を維持する。
• 学習された方策を用いて、運動計画問題を高レベルの意思決定と低レベルの軌道生成に分解する。
• 学習された意思決定モデルを高速推論パイプラインと統合し、動的環境下でのリアルタイムデプロイを支援する。
• MIQPの構造的出力を活用して学習プロセスをガイドし、学習された意思決定における安全性と実行可能性を保証する。

実験結果

リサーチクエスチョン

• RQ1 最適なMIQPで生成された軌道を学習データとして用いる学習ベースのアプローチは、従来のサンプリング法や最適化ベースの手法に比べ、より優れた最適性と効率性を達成できるか？
• RQ2 階層的教師あり学習モデルは、トレーニング時に見られなかった複雑な交通シナリオにどの程度一般化できるか？
• RQ3 提案フレームワークは、軌道品質の向上を図りながらも、リアルタイム性能をどの程度維持できるか？
• RQ4 MIQPで生成された最適な軌道を学習データとして用いることで、学習された方策の一般化性能とロバストネスにどのような影響を与えるか？

主な発見

• 提案手法は、ベースラインのサンプリング法および最適化ベースの手法に比べ、より高い軌道最適性を達成した。
• 学習ベースのモデルによりリアルタイムでの意思決定が可能となり、従来の最適化ベースのアプローチに比べて計算効率が著しく優れていた。
• トレーニング時に見られなかった複雑な交通シナリオに対しても、良好な一般化性能を示し、強力なロバストネスを確認した。
• 実験結果から、提案フレームワークが最適性、速度、適応性の観点で、複数の確立された運動計画ベースラインを上回っていることが確認された。