IT
Un modello di guida impara a seguire la velocità richiesta
Closed-Loop Aware Planning via Imitation-Free Speed Scoring for End-to-End Autonomous Driving · arXiv:2610.36079
In parole semplici
Le dimostrazioni di guida mostrano a un modello un modo per attraversare ogni scena, anche quando potrebbero funzionare velocità diverse. Inoltre, le velocità scelte negli esempi possono essere incoerenti.
Il paper presenta CLAP-AD, un modulo di pianificazione che predice un percorso e valuta separatamente le possibili velocità in base al rischio di collisione e alla possibilità di fermarsi ai semafori e ai segnali di stop.
In un test su 48 percorsi, ha aiutato un modello di guida a seguire le velocità richieste più da vicino rispetto al modello senza il nuovo modulo. Il test non mostra che il sistema copra tutte le regole stradali.
La ricerca
Un modello di guida addestrato con dimostrazioni vede una sola scelta di velocità per ogni scena, anche se potrebbero funzionare velocità diverse. Se quelle scelte sono rumorose o ambigue, il modello può seguire una velocità richiesta continuando a verificarne la sicurezza?
CLAP-AD separa la previsione del percorso dalla valutazione delle velocità, così il modello può scegliere una velocità richiesta tra quelle che superano i controlli di sicurezza.
Un modello di guida può gestire più velocità valide quando le dimostrazioni ne mostrano una sola per scena? CLAP-AD separa la previsione del percorso dalla scelta della velocità e valuta quelle candidate in base alle collisioni e alla capacità di fermarsi ai semafori e ai segnali di stop.
In un test in ciclo chiuso su 48 percorsi, TFv6 con CLAP-AD ha seguito le velocità richieste più da vicino rispetto a TFv6. Il modello di base non poteva ricevere richieste, quindi il suo punteggio serviva solo come riferimento per quanto spesso la sua velocità fissa coincideva con quelle richieste. Il risultato sostiene la possibilità di controllare la velocità durante il test in questo contesto.
I risultati provengono da tre specifici contesti di valutazione e i punteggi non sono direttamente confrontabili tra loro. La valutazione considera collisioni, semafori e segnali di stop; le velocità candidate si concentrano sulla guida urbana. Non verifica tutte le regole stradali, le manovre o le condizioni del mondo reale.
Cosa mostrano le prove
- Una scena, più velocità
Closed-Loop-Aware Planning for Autonomous Driving (CLAP-AD) è un modulo di pianificazione aggiuntivo per modelli di guida end-to-end. Affronta una discrepanza nell'apprendimento per imitazione: le dimostrazioni mostrano un solo comportamento per una scena, anche se potrebbero essere valide diverse velocità.
Se queste scelte sono rumorose o ambigue, possono anche fornire al modello indicazioni incoerenti durante l'addestramento.
- Valutare le velocità separatamente
CLAP-AD apprende il percorso imitando le dimostrazioni, ma valuta separatamente le velocità candidate in base al rischio di collisione, alla capacità di fermarsi al rosso e ai segnali di stop. I punteggi si basano su valori derivati da dati di guida registrati e da regole per questi criteri.
Durante il test, la velocità richiesta può guidare la scelta tra le velocità che superano tutti i criteri.
- Segue meglio le richieste
Il test Bench2Drive-Speed misura quanto la velocità effettiva del veicolo si avvicina a quella richiesta su 48 percorsi. TFv6 con CLAP-AD ha ottenuto 82.53 punti di aderenza alla velocità, contro 69.64 di TFv6.
Il modello di base non può ricevere una richiesta di velocità, quindi il suo punteggio serve solo a indicare quanto spesso la velocità fissa che usa coincideva per caso con quella richiesta.
- I risultati variano tra i modelli di base
Su 220 percorsi Bench2Drive in ciclo chiuso, CLAP-AD ha portato il Driving Score di UniAD da 45.81 a 74.29 e quello di VAD da 42.35 a 75.04. Entrambi erano stati addestrati con dimostrazioni di Think2Drive.
TFv6, addestrato con dimostrazioni dell'esperto basato su regole PDM-Lite, è invece passato da 94.70 a 92.30, facendo eccezione rispetto ai miglioramenti degli altri due modelli di base.
- Conta anche il modulo
Uno studio di ablazione Dev10 su 10 percorsi ha rilevato che la valutazione multi-criterio con il modulo originale di UniAD ha ottenuto 40.50 punti Driving Score; usando il modulo di CLAP-AD con lo stesso obiettivo di valutazione, il punteggio è stato 59.44.
Questo suggerisce che, in quella configurazione, il modulo influisce sul funzionamento dell'obiettivo. Nella valutazione navhard di NAVSIM v2, CLAP-AD ha inoltre portato l'EPDMS di LTFv6 da 31.9 a 38.0, limitando la valutazione al rischio di collisione.
Dettagli
- Autori del paper originale
- Emad Aghajanzadeh, Thomas Schwarzfischer, Marc Kaufeld, Moritz Thoma, Ryan Pégoud
- Inviato ad arXiv
- Licenza
- arXiv non-exclusive