フローマッチングに基づく対話行動モデリングを用いた自動運転プランニング
Flow Matching-Based Autonomous Driving Planning with Advanced Interactive Behavior Modeling
複雑な運転シーンでの対話行動をモデル化するため、軌道の細分化とフローマッチングを組み合わせたプランナーを提案し、大規模データセットで評価した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Tianyi Tan, Yinan Zheng, Ruiming Liang, Zexu Wang, Kexin Zheng, Jinliang Zheng, Jianxiong Li, Xianyuan Zhan, Jingjing Liu
分類: cs.RO, cs.AI
原文アブストラクト
Modeling interactive driving behaviors in complex scenarios remains a fundamental challenge for autonomous driving planning. Learning-based approaches attempt to address this challenge with advanced generative models, removing the dependency on over-engineered architectures for representation fusion. However, brute-force implementation by simply stacking transformer blocks lacks a dedicated mechanism for modeling interactive behaviors that are common in real driving scenarios. The scarcity of interactive driving data further exacerbates this problem, leaving conventional imitation learning methods ill-equipped to capture high-value interactive behaviors. We propose Flow Planner, which tackles these problems through coordinated innovations in data modeling, model architecture, and learning scheme. Specifically, we first introduce fine-grained trajectory tokenization, which decomposes the trajectory into overlapping segments to decrease the complexity of whole trajectory modeling. With a sophisticatedly designed architecture, we achieve efficient temporal and spatial fusion of planning and scene information, to better capture interactive behaviors. In addition, the framework incorporates flow matching with classifier-free guidance for multi-modal behavior generation, which dynamically reweights agent interactions during inference to maintain coherent response strategies, providing a critical boost for interactive scenario understanding. Experimental results on the large-scale nuPlan dataset and challenging interactive interPlan dataset demonstrate that Flow Planner achieves state-of-the-art performance among learning-based approaches while effectively modeling interactive behaviors in complex driving scenarios.
関連論文
- GRID-Planner: 拡散プランニングのためのグラフ構造関係報酬整形自動運転プランニング
- INTERACT: アンカー条件付き予測と信頼領域精緻化による自動運転の対話型プランニング自動運転プランニング
- ConsistencyPlanner: 高速サンプリング整合性モデルによるリアルタイムプランニング自動運転プランニング
- ASSCG: 自動運転における高速・低速LLMプランニングのための適切なゲーティング自動運転プランニング
- AlignDrive: 横縦統合型エンドツーエンド自動運転プランニング自動運転プランニング
- PlannerRFT：閉ループかつサンプル効率の良い微調整による拡散プランナーの強化学習自動運転プランニング
