PlanT: 객체 수준 표현을 통한 설명 가능한 플래닝 트랜스포머

복잡한 환경에서 최적 경로를 계획하는 것은 주변 장면에 대한 효율적인 추론을 요구합니다. 인간 운전사는 중요한 물체에 우선 순위를 두고 결정에 관련되지 않은 세부 사항은 무시하지만, 학습 기반 계획자는 모든 차량 및 도로 맥락 정보가 포함된 밀도 높고 고차원적인 그리드 표현으로부터 특징을 추출하는 것이 일반적입니다. 본 논문에서는 자율 주행의 맥락에서 계획을 위한 새로운 접근 방법인 PlanT를 제안합니다. PlanT는 표준 트랜스포머 아키텍처를 사용하며, 객체 수준의 간결한 입력 표현을 기반으로 한 모방 학습에 기반합니다. CARLA의 Longest6 벤치마크에서 PlanT는 이전 모든 방법들을 능가하며(전문가의 운전 점수와 일치), 추론 시 동일한 픽셀 기반 계획 기법보다 5.3배 더 빠릅니다. PlanT를 상용화된 인식 모듈과 결합하면, 기존 최신 기술보다 운전 점수가 10점 이상 우수한 센서 기반 운전 시스템을 제공할 수 있습니다. 또한, 계획자의 관련 물체 식별 능력을 정량화하기 위한 평가 프로토콜을 제안하여 그들의 의사 결정 과정에 대한 통찰력을 제공합니다. 우리의 결과는 PlanT가 장면 내에서 가장 관련성이 높은 물체에 집중할 수 있음을 보여줍니다, 심지어 해당 물체가 기하학적으로 멀리 위치해 있을 때조차도 마찬가지입니다.