[論文レビュー] End-To-End Planning of Autonomous Driving in Industry and Academia: 2022-2023

Gongjin Lan an Qi Hao, Hao, Qi|arXiv (Cornell University)|Dec 26, 2023

Robotic Path Planning Algorithms被引用数 4

ひとこと要約

本稿は2022–2023年現在における自律走行におけるエンド・ツー・エンドの運動計画について包括的かつ最新のレビューを提供しており、産業界のシステム（Tesla FSD V12、Momenta、Horizon Robotics、Motional、Woven Planet）と先端の学術的手法（UniAD、NTU planning、nuPlanチャレンジ優勝手法）をカバーしている。BEVベースの占有ネットワーク、人間らしい挙動を再現するための逆強化学習、学習された予測を統合したハイブリッド計画法の導入により、エンド・ツー・エンドのシステムがnuPlanのような実世界ベンチマークで最先端の性能を達成していることが示された。

ABSTRACT

This paper aims to provide a quick review of the methods including the technologies in detail that are currently reported in industry and academia. Specifically, this paper reviews the end-to-end planning, including Tesla FSD V12, Momenta 2023, Horizon Robotics 2023, Motional RoboTaxi 2022, Woven Planet (Toyota): Urban Driver, and Nvidia. In addition, we review the state-of-the-art academic studies that investigate end-to-end planning of autonomous driving. This paper provides readers with a concise structure and fast learning of state-of-the-art end-to-end planning for 2022-2023. This article provides a meaningful overview as introductory material for beginners to follow the state-of-the-art end-to-end planning of autonomous driving in industry and academia, as well as supplementary material for advanced researchers.

研究の動機と目的

• 2022–2023年現在における自律走行分野におけるエンド・ツー・エンドの運動計画技術の最新動向を要約的かつ構造的に概説すること。
• 両分野の主なイノベーションを要約することで、産業界の実装と学術研究の間のギャップを埋めること。
• 自律走行分野の初心者向けの入門リソースとして、また上級研究者向けの補足資料としての役割を果たすこと。
• Tesla、Momenta、Horizon、Motional、Woven Planetといった主要企業と、UniAD、NTU、nuPlanチャレンジ優勝研究から得られる最先端のソリューションを分析・比較すること。
• BEVベースの計画、占有予測、人間らしい意思決定を再現するための逆強化学習といったトレンドを強調すること。

提案手法

• 本稿は、口頭発表、動画、技術レポートから得られる情報を統合し、特にBEVベースの占有ネットワークを用いることで、産業界におけるエンド・ツー・エンド計画システムのアーキテクチャを再構築している。特にTesla FSD V12の事例に注目している。
• 本稿は、UniADのような学術的手法をレビューしている。UniADは、BEV特徴量と条件付き運動予測を用いた統合的トランスフォーマー基盤を採用し、予測と計画を統合的に処理する。
• NTU計画法は、三段階のフレームワークを採用している：行動生成、エゴ車両計画に基づく他車両の軌道予測、最大エントロピー逆強化学習によるスコアリング。
• nuPlanチャレンジ2023優勝手法は、クローズドループ計画器（PDM-Closed）とハイブリッドモデル（PDM-Hybrid）を統合しており、IDMと学習されたエゴ予測を組み合わせることで、長期的軌道の精度を向上させている。
• 本稿は、BEV表現の使用、占有予測、マルチセンサ融合、相互作用行動モデリングの統合の有無に基づいてシステムを評価している。
• 構造化された要約表（表I）を用いて、ソースコードの公開可否、出版状況、パフォーマンスベンチマークを比較している。

実験結果

リサーチクエスチョン

• RQ1 Tesla FSD V12 や Momenta といった主要産業界のシステムは、従来のモジュラーパイプラインに依存せずに、エンド・ツー・エンド計画をどのように実装しているか？
• RQ2 UniAD や NTU 計画法といった学術的モデルの、人間らしい相互作用的運動計画を実現するための主なアーキテクチャ的・技術的イノベーションは何か？
• RQ3 BEVおよび占有ネットワークに基づくエンド・ツー・エンドシステムは、高精度地図への依存をどのように低減し、マルチセンサ融合をどのように向上させているか？
• RQ4 逆強化学習は、自律走行車両の意思決定を人間の運転行動に適合させるために、どのような役割を果たしているか？
• RQ5 PDM-Hybrid のようなハイブリッド計画法は、学習されたコンponentsと古典的制御モデルをどのようにバランスさせることで、現実世界のシナリオにおける耐障害性とパフォーマンスを達成しているか？

主な発見

• Tesla FSD V12 は、占有ネットワークを用いたエンド・ツー・エンドのBEVベース計画システムを採用しているが、詳細な技術仕様は依然としてほとんど非公開のままである。
• UniAD はCVPR 2023で最優秀論文賞を受賞し、条件付き運動予測を組み込んだ統合的トランスフォーマー基盤を用いたエンド・ツー・エンド計画で最先端のパフォーマンスを示した。
• nuPlan Planning Challenge 2023 優勝手法 PDM-Hybrid は、学習されたエゴ予測コンponentとIDMモデルを統合することで、長期予測の高精度を達成し、他社を上回った。
• NTU 計画フレームワークは、条件付き予測と最大エントロピー逆強化学習を用いて人間らしい挙動を生成し、共同軌道モデリングにより計画評価を向上させた。
• Horizon Robotics のエンド・ツー・エンドシステムは、CVPR 2023 E2EADワークショップで名誉ある準優勝賞を受賞し、実世界の計画ベンチマークで優れたパフォーマンスを示した。
• Woven Planet のUrban Driverは、分野における有名なベースラインの一つであり、新しいエンド・ツー・エンド計画システムの評価の基準として用いられている。