学習済み運転プランナのための閉ループ改良と実行

- 学習ベースのdriving plannerをclosed-loopで実行する際の失敗モードを軽減する、Closed-Loop Refinement and Execution (CLRE) という階層型receding-horizon制御フレームワーク。 - 上流plannerはfrozenのまま、新たな学習モデルを追加しない。 - 上層はnominal trajectoryをreferenceとして有限horizon最適制御問題を解き、route progressと予測agentとのinteractionをトレードオフ。 - 複数初期化から候補集合を得て、prediction-conditioned oriented-bounding-box (OBB) feasibility testでhorizon全体の最小予測OBB clearanceが閾値を満たす候補のみ保持。 - 下層は最低コストの生存候補、なければroute-centerline backupを、planner付属のtracking controllerで実行。range-based speed boundとsatu…

- 従来の学習ベースdriving plannerはopen loopでlogged trajectoriesに対して訓練・評価されることが多い。 - closed loopでは小さなdisplacement errorでも停車、周囲agentとのconflict、急ブレーキ実行につながりうる。 - CLREは上流plannerをfrozenにし、新たな学習モデルを追加せずにこれらの失敗モードを軽減する点が異なる。 - 具体的な先行研究との比較は要旨からは不明。

- 階層型receding-horizon制御。 - 上層：nominal trajectoryをreferenceとした有限horizon最適制御問題を解き、route progressと予測agentとのinteractionをトレードオフ。 - 複数初期化から候補集合を生成。 - prediction-conditioned oriented-bounding-box (OBB) feasibility test：horizon全体の最小予測OBB clearanceが閾値を満たす候補のみ保持。 - 下層：最低コストの生存候補を実行、なければroute-centerline backup。 - planner付属のtracking controllerにrange-based speed boundとsaturated proportional braking lawを追加。

- closed-loop simulationで126 Bench2Drive routesを使用。 - 上流plannerはVAD。 - CLREによりdriving scoreが43.41から56.42に向上。 - route completionが57.27から72.23に向上。 - collision eventsが70から53に減少。

- 要旨からは不明。

- 要旨で参照/比較されている研究：VAD、Bench2Drive。 - 関連手法：open-loop評価、closed-loop simulation、receding-horizon control、oriented-bounding-box (OBB) feasibility test。