Belegungsprognose-gesteuerter neuronaler Planer für autonomes Fahren

Die Prognose der skalierbaren zukünftigen Zustände der umgebenden Verkehrsteilnehmer in komplexen Verkehrsszenarien ist eine kritische Fähigkeit für autonome Fahrzeuge, da sie eine sichere und umsetzbare Entscheidungsfindung ermöglicht. Jüngste Erfolge in der lernbasierten Vorhersage und Planung haben zwei Hauptprobleme eingeführt: die Erzeugung genauer gemeinsamer Vorhersagen für die Umgebung und die Integration der Vorhersageleitung für Planungszwecke. Um diese Herausforderungen zu bewältigen, schlagen wir ein zweistufiges integriertes neuronales Planungsframework vor, das OPGP genannt wird und gemeinsame Vorhersageanleitungen aus der Belegungsprognose einbezieht. Die vorläufige Planungsphase gibt gleichzeitig die vorhergesagte Belegung für verschiedene Typen von Verkehrsakteuren basierend auf Zielen des Imitationslernens aus und berücksichtigt gemeinsame Interaktionen, Szenen-Kontext und Dynamik der Akteure innerhalb einer einheitlichen Transformer-Struktur. Anschließend leitet die transformierte Belegungsprognose die Optimierung, um sichere und reibungslose Planung unter Frenet-Koordinaten weiter zu informieren. Wir trainieren unseren Planer mit einem großen, realen Fahrdatensatz und validieren ihn in offenen Schleifen. Unser vorgeschlagener Planer übertrifft starke lernbasierte Methoden und zeigt eine verbesserte Leistung dank der Belegungsprognoseleitung.