DiFSD: 自己中心の完全スパースパラダイムと不確実性ノイズ除去および反復改善を用いた効率的なエンドツーエンド自動運転

現在のエンドツーエンドの自動運転手法は、様々なタスク（例：認識、予測、計画）のモジュール設計を統合することに依存しています。完全微分可能なフレームワークで最適化され、計画志向の精神で設計されているにもかかわらず、自己中心的な設計が施されていない既存のエンドツーエンドの自動運転システムは、ラスタライズされたシーン表現学習と冗長な情報伝送により、満足のいく性能や効率性を達成できていません。本論文では、人間の運転行動を見直し、エンドツーエンドの自動運転のために自己中心的な完全スパースパラダイムであるDiFSDを提案します。特に、DiFSDはスパース認識モジュール、階層的相互作用モジュール、反復運動計画器から主に構成されています。スパース認識モジュールは、走行シーンのスパース表現に基づいて検出、追跡およびオンラインマッピングを行います。階層的相互作用モジュールは、幾何学的な事前知識を利用して粗いレベルから細かいレベルへとClosest In-Path Vehicle / Stationary (CIPV / CIPS)を選択することを目指しています。反復運動計画器においては、選択された相互作用エージェントと自己車両が共同で運動予測を行い、その出力される多様な自己軌道が反復的に最適化されます。さらに、位置レベルでの運動拡散と軌道レベルでの計画ノイズ除去が導入され、不確実性モデリングが行われることで全体フレームワークの訓練安定性と収束性が向上します。nuScenesおよびBench2Driveデータセットを用いた広範な実験により、DiFSDの優れた計画性能と高い効率性が示されています。