[论文解读] Data Driven Prediction Architecture for Autonomous Driving and its Application on Apollo Platform

Kecheng Xu, Xiangquan Xiao+2 more|arXiv (Cornell University)|Jun 11, 2020

Autonomous Vehicle Technology and Safety参考文献 17被引用 4

一句话总结

本文提出了一种完全自动化的、数据驱动的自动驾驶预测流水线，已部署于百度Apollo平台，可在不同地理区域实现可扩展的高效模型适配。通过整合自动化数据标注、特征提取、基于孪生网络的超参数调优，以及支持直接与间接轨迹预测，该系统在超参数调优方面相比人工方法实现了最高达400%的效率提升。

ABSTRACT

Autonomous Driving vehicles (ADV) are on road with large scales. For safe and efficient operations, ADVs must be able to predict the future states and iterative with road entities in complex, real-world driving scenarios. How to migrate a well-trained prediction model from one geo-fenced area to another is essential in scaling the ADV operation and is difficult most of the time since the terrains, traffic rules, entities distributions, driving/walking patterns would be largely different in different geo-fenced operation areas. In this paper, we introduce a highly automated learning-based prediction model pipeline, which has been deployed on Baidu Apollo self-driving platform, to support different prediction learning sub-modules' data annotation, feature extraction, model training/tuning and deployment. This pipeline is completely automatic without any human intervention and shows an up to 400\% efficiency increase in parameter tuning, when deployed at scale in different scenarios across nations.

研究动机与目标

• 解决在交通规则、地形和驾驶行为各异的地理区域中，自动驾驶预测模型规模化部署的挑战。
• 通过自动化数据标注、特征提取、训练和超参数调优，减少模型开发与部署过程中的手动干预。
• 实现对直接轨迹预测与基于意图的后轨迹生成的高效模型适配，适用于不同场景。
• 提升大规模自动驾驶车辆在全球多国及多种车辆平台部署中的效率，降低运营成本。

提出的方法

• 该流水线包括车载模块（消息预处理、模型推理、轨迹后处理）和离线数据流水线（自动数据标注、特征提取、模型训练、超参数自动调优、结果评估）。
• 对于直接预测，采用语义地图与基于LSTM的模型，通过自动化数据处理实现端到端训练，性能与人工调优模型相当。
• 对于间接预测，将意图分类模型（如变道、转弯）与基于网格的后轨迹生成器结合，后者使用具有可学习权重的成本函数。
• 采用孪生网络自动学习方程（4）中的最优成本函数权重（θ₁, θ₂, θ₃），通过最小化方程（5）中的损失实现，该损失将候选轨迹成本与真实轨迹进行比较。
• 方程（5）中的目标函数采用边缘损失（margin loss），确保真实轨迹成本低于候选轨迹，其中δ为小的正数边缘，防止退化解。
• 系统支持直接与间接预测工作流，仅需极少人工干预，可快速在新地理围栏区域部署。

实验结果

研究问题

• RQ1 如何实现预测流水线的自动化，以减少自动驾驶数据标注、模型训练和超参数调优中的人工干预？
• RQ2 通过孪生网络实现的自动化超参数调优，对不同地理区域部署效率有何影响？
• RQ3 完全自动化的流水线是否能在直接与间接轨迹预测中达到与人工调优模型相当的预测性能？
• RQ4 在后轨迹生成中集成学习到的权重，如何提升对区域驾驶习惯与交通规则差异的适应能力？
• RQ5 该流水线在多类车辆平台与全球部署场景中的可扩展性如何？

主要发现

• 在新地理围栏区域部署时，所提出的基于数据的预测流水线在超参数调优方面相比人工方法效率最高提升400%。
• 自动化流水线实现了在不同国家和车辆平台上的预测模型部署，仅需极少人工干预，显著降低了运营成本。
• 基于孪生网络的自动调优方法成功学习到区域特定的成本函数权重（θ₁, θ₂, θ₃），提升了轨迹选择准确性，无需人工校准。
• 采用语义地图与LSTM的直接预测模型在完全自动化数据处理与训练下，性能与人工训练模型相当。
• 结合意图分类与后轨迹生成的间接预测流水线，对不同区域驾驶行为与交通规则的差异表现出良好鲁棒性。
• 该系统已成功部署于中国与美国的多支自动驾驶车队，验证了其在真实场景中的可扩展性与适应能力。