[논문 리뷰] Parting with Misconceptions about Learning-based Vehicle Motion Planning

Daniel Dauner, Marcel Hallgarten외 2명|arXiv (Cornell University)|2023. 06. 13.

Autonomous Vehicle Technology and Safety인용 수 15

한 줄 요약

요약: 이 논문은 오픈루프 에고-예측과 클로즈드루프 플래닝이 불일치함을 보여주고, 간단한 센터라인 기반 기준선과 규칙 기반 IDM의 강력한 성능을 강조하며, 경량 IDM 기반 플래너인 PDM-Hybrid를 도입하여 nuPlan에서 최첨단 결과를 달성합니다.

ABSTRACT

The release of nuPlan marks a new era in vehicle motion planning research, offering the first large-scale real-world dataset and evaluation schemes requiring both precise short-term planning and long-horizon ego-forecasting. Existing systems struggle to simultaneously meet both requirements. Indeed, we find that these tasks are fundamentally misaligned and should be addressed independently. We further assess the current state of closed-loop planning in the field, revealing the limitations of learning-based methods in complex real-world scenarios and the value of simple rule-based priors such as centerline selection through lane graph search algorithms. More surprisingly, for the open-loop sub-task, we observe that the best results are achieved when using only this centerline as scene context (i.e., ignoring all information regarding the map and other agents). Combining these insights, we propose an extremely simple and efficient planner which outperforms an extensive set of competitors, winning the nuPlan planning challenge 2023.

연구 동기 및 목표

• nuPlan에서 오픈-루프 에고-예측과 클로즈드-루프 플래닝 간의 근본적인 불일정을 식별합니다.
• 오픈-루프 및 클로즈드-루프 지표에서 학습된 플래너와 간단한 규칙 기반 기준선을 비교합니다.
• 센터라인 기반의 경량 기준선과 규칙 기반 및 학습 구성 요소를 결합한 하이브리드 플래너를 제안합니다.
• 센터라인만을 활용한 맥락이 강한 오픈-루프 성능을 낼 수 있으며 규칙 기반 방법이 클로즈드-루프 작업에서 학습 모델보다 우수할 수 있음을 보여줍니다.

제안 방법

• nuPlan 데이터셋과 벤치마킹 설정을 분석하여 오픈-루프와 클로즈드-루프 평가를 비교합니다.
• PDM-Open: 센터라인 조건부 MLP로, 센터라인과 내 ego 이력만을 사용하여 8초의 미래 경로점을 예측합니다.
• IDM에 MPC-영감을 받은 요소를 확장하여 PDM-Closed를 만들고, 다수의 IDM 기반 궤적 제안, 시뮬레이션 및 점수 매김으로 최적 궤적을 선택합니다.
• PDM-Hybrid: PDM-Closed가 생성한 장기 경로점에 학습된 오프셋을 더하여 장기 정확도를 개선하고 단기 신뢰성을 유지합니다.
• 다양한 기준선들(PlanCNN, Urban Driver, GC-PGP, IDM)을 평가하고 nuPlan 지표(CLS-R, CLS-NR, OLS) 및 런타임과 비교합니다.
• 보정 구간, 제안, 입력의 영향력을 이해하기 위한 소거 연구를 제공합니다.

실험 결과

연구 질문

• RQ1 오픈-루프 에고-예측 지표가 nuPlan의 클로즈드-루프 운전 성능과 상관관계가 있습니까?
• RQ2 센터라인만의 표현으로도 강한 오픈-루프 성능을 낼 수 있으며 규칙 기반 방법은 클로즈드-루프 작업에서 어떻게 성능을 발휘합니까?
• RQ3 단순 학습 구성요소를 규칙 기반 플래너와 결합한 PDM-Hybrid가 nuPlan에서 순수 학습 또는 순수 규칙 기반 접근법보다 더 나은 성능을 보이나요?
• RQ4 경로 보정 구간, 제안, 예측 등 경량 플래닝 프레임워크의 성능을 좌우하는 주요 요소는 무엇인가요?

주요 결과

• 오픈-루프와 클로즈드-루프 평가 사이의 상관관계는 음의 상관이며, 강한 에고-예측이 안전하고 효과적인 클로즈드-루프 플래닝을 보장하지는 않습니다.
• 센터라인 기반의 규칙 기반 IDM 기준선이 nuPlan의 클로즈드-루프 지표에서 최첨단 학습 플래너를 능가할 수 있습니다.
• 센터라인-전용 컨텍스트는 오픈-루프 성능에서 경쟁적이거나 우수한 성능을 낳으며, PDM-Open은 최소한의 입력으로 높은 OLS를 달성합니다.
• PDM-Closed는 IDM에 비해 클로즈드-루프 점수를 개선하며, PDM-Hybrid는 PDM-Closed와 PDM-Open을 결합하여 모든 지표에서 강력한 성능을 제공합니다.
• PDM-Hybrid는 nuPlan에서 최첨단 결과를 달성하고 nuPlan Challenge 2023에서 센터라인 플래닝과 학습 오프셋을 결합했을 때 전체 점수에서 많은 경쟁자를 능가했습니다.
• 소거 연구는 2초 보정 구간의 이점과 클로즈드-루프 성능을 위한 환경 예측 및 제안의 중요성을 보여줍니다.