Pioneering SE(2)-Equivariant Trajectory Planning for Automated Driving
作者: Steffen Hagedorn, Marcel Milich, Alexandru P. Condurache
分类: cs.RO, cs.AI, cs.MA
发布日期: 2024-03-17
💡 一句话要点
提出SE(2)等变轨迹规划以解决自动驾驶中的运动预测问题
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 自动驾驶 轨迹规划 运动预测 等变神经网络 多模态预测 GPS导航 nuScenes数据集 智能交通
📋 核心要点
- 现有方法未能将运动预测与轨迹规划结合，同时保证输入空间的旋转-平移等变性，导致规划精度不足。
- 提出了一种轻量级的等变规划模型，能够生成多模态联合预测，并选择最佳模式作为自我车辆的轨迹规划。
- 在nuScenes数据集上进行实验，结果显示规划轨迹在旋转-平移下稳定，L2距离提高20.6%，超越现有技术水平。
📝 摘要（中文）
控制自我车辆的轨迹规划是自动驾驶中的关键挑战。与人类驾驶员一样，预测周围车辆的运动对于规划自身行动至关重要。现有的运动预测方法利用等变神经网络来利用场景中的几何对称性，但尚无方法在保证输入空间旋转-平移等变性的同时，将运动预测与轨迹规划结合为一步。本文提出了一种轻量级的等变规划模型，能够为所有车辆生成多模态联合预测，并选择一种模式作为自我规划。等变网络设计提高了样本效率，保证了输出稳定性，并减少了模型参数。此外，本文还提出了等变路线吸引模块，以引导自我车辆沿着由现成GPS导航系统提供的高层路线行驶。该模块在潜在空间中从嵌入的车辆位置朝向路线创建动量，同时保持等变性。我们在挑战性的nuScenes数据集上进行了实验，结果表明，规划的轨迹在输入场景的旋转-平移下是稳定的，证明了模型的等变性。尽管仅使用了数据集的一小部分进行训练，我们的方法在3秒时的L2距离提高了20.6%，超越了现有技术。
🔬 方法详解
问题定义：本文旨在解决自动驾驶中自我车辆轨迹规划与周围车辆运动预测的结合问题。现有方法无法在保证等变性的情况下实现这一目标，导致规划效果不佳。
核心思路：提出一种轻量级的等变规划模型，通过生成多模态联合预测来处理所有车辆的运动，并从中选择最佳模式作为自我车辆的轨迹规划。这种设计提高了样本效率和输出稳定性。
技术框架：整体架构包括运动预测模块和轨迹规划模块。运动预测模块利用等变神经网络处理输入场景的几何对称性，轨迹规划模块则基于预测结果生成自我车辆的轨迹。
关键创新：最重要的创新在于将运动预测与轨迹规划结合为一步，并在此过程中保持等变性。这与现有方法的分离处理方式形成了鲜明对比。
关键设计：模型采用了等变网络结构，优化了参数设置，使用特定的损失函数来保证输出的稳定性和准确性，同时引入了等变路线吸引模块以引导车辆沿高层路线行驶。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的轨迹规划方法在nuScenes数据集上表现优异，L2距离在3秒时提高了20.6%，并且在旋转-平移变换下保持了轨迹的稳定性，超越了当前的最先进技术。
🎯 应用场景
该研究的潜在应用领域包括自动驾驶汽车的轨迹规划与运动预测，能够提升自动驾驶系统的安全性与效率。未来，该方法可扩展到更复杂的交通场景中，进一步推动智能交通的发展。
📄 摘要（原文）
Planning the trajectory of the controlled ego vehicle is a key challenge in automated driving. As for human drivers, predicting the motions of surrounding vehicles is important to plan the own actions. Recent motion prediction methods utilize equivariant neural networks to exploit geometric symmetries in the scene. However, no existing method combines motion prediction and trajectory planning in a joint step while guaranteeing equivariance under roto-translations of the input space. We address this gap by proposing a lightweight equivariant planning model that generates multi-modal joint predictions for all vehicles and selects one mode as the ego plan. The equivariant network design improves sample efficiency, guarantees output stability, and reduces model parameters. We further propose equivariant route attraction to guide the ego vehicle along a high-level route provided by an off-the-shelf GPS navigation system. This module creates a momentum from embedded vehicle positions toward the route in latent space while keeping the equivariance property. Route attraction enables goal-oriented behavior without forcing the vehicle to stick to the exact route. We conduct experiments on the challenging nuScenes dataset to investigate the capability of our planner. The results show that the planned trajectory is stable under roto-translations of the input scene which demonstrates the equivariance of our model. Despite using only a small split of the dataset for training, our method improves L2 distance at 3 s by 20.6 % and surpasses the state of the art.