Planung mit adaptiven Weltmodellen für autonomes Fahren

Die Bewegungsplanung ist entscheidend für eine sichere Navigation in komplexen städtischen Umgebungen. Historisch wurden Bewegungsplaner (MPs) mit prozedural generierten Simulatoren wie CARLA evaluiert. Solche synthetischen Benchmarks erfassen jedoch nicht die realen Interaktionen zwischen mehreren Agenten. nuPlan, ein kürzlich veröffentlichtes MP-Benchmark, adressiert dieses Limit durch die Anreicherung realer Fahrprotokolle mit geschlossener Regelkreissimulation, wodurch der feste Datensatz effektiv in einen reaktiven Simulator umgewandelt wird. Wir analysieren die Eigenschaften der aufgezeichneten Protokolle von nuPlan und stellen fest, dass jede Stadt ihr eigenes einzigartiges Fahrverhalten hat, was darauf hindeutet, dass robuste Planer sich an verschiedene Umgebungen anpassen müssen. Wir lernen, solche einzigartigen Verhaltensweisen mit BehaviorNet zu modellieren, einem graphen-convolutionalen neuronalen Netzwerk (GCNN), das reaktive Agentenverhalten vorhersagt, indem es Merkmale verwendet, die aus kürzlich beobachteten Agentengeschichten abgeleitet sind; intuitiv können einige aggressive Agenten die führenden Fahrzeuge dicht auffahren, während andere es möglicherweise nicht tun. Um solche Phänomene zu modellieren, sagt BehaviorNet die Parameter des Bewegungsreglers eines Agenten vorher, anstatt seine Raum-Zeit-Bahn vorherzusagen (wie es die meisten Vorhersager tun). Schließlich präsentieren wir AdaptiveDriver, einen modellprädiktiven Steuerungsplaner (MPC), der verschiedene Weltmodelle entfaltet, die auf den Vorhersagen von BehaviorNet basieren. Unsere umfangreichen Experiment zeigen, dass AdaptiveDriver bei dem nuPlan-Benchmark für die geschlossene Regelkreiplaneung Ergebnisse auf dem Stand der Technik erzielt und den Testfehler von 6,4 % auf 4,6 % senkt, selbst wenn er auf bisher unbekannte Städte angewendet wird.