DRIFT: ドリフトと集約によるモーションプランニング

- 提案ベースのend-to-end trajectory plannerであるDRIFTを提示。 - 複数のplausibleなdriving behaviorsを表現しつつ、real-time制約下で単一の実行可能trajectoryを生成する。 - compactなtrajectory latent spaceでのone-step driftingと、scene-awareなproposal aggregationを組み合わせる。 - 固定深度のplannerであり、pretrained visual encoderの特徴を条件とする。

- proposal-based手法は複数候補を生成するが、proposal集合から最終planへの変換が設計課題。 - DRIFTはtrajectory-level quality labelsをaggregationに必要とせず、直接最終trajectoryを予測する。 - 比較した手法の中でdrivable-area complianceとego progressが強い。 - NAVSIM navtestで89.6 PDMS、90.4 EPDMSを達成。

- DRIFT Decoderが48個のproposal featuresをsingle batched passで生成。 - 32 samples at alpha=0.5、16 samples at alpha=0.9。 - lightweight Aggregation Headがproposal featuresをscene、navigation、ego-state情報と統合し、最終trajectoryを直接予測。 - 学習はexpert-trajectory imitationと、map-derived boundary regularizerを使用。 - このregularizerはdrivable polygon外のwaypointsと、その境界付近の内側waypointsにペナルティを与える。

- NAVSIM navtestで評価。 - 89.6 PDMSと90.4 EPDMSを達成。 - 比較した手法の中でdrivable-area complianceとego progressが強い。 - proposal-generationとaggregation moduleはNVIDIA RTX 4090上で10.82 ms、visual backboneを含むfull-model inferenceは66.43 ms。

- one-step latent proposal generationとdirect aggregationがmulti-hypothesis motion planningの効率的な設計であることを示す。 - ただし、要旨からは限界や失敗ケース、他の設定での汎化性についての議論は不明。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法としてproposal-based approaches、end-to-end trajectory planners、NAVSIM benchmark、PDMS/EPDMS metricsが挙げられる。 - 同分野の定番として、transformer-based motion planning、imitation learning、latent variable models、multi-hypothesis trajectory predictionが考えられる。