Mosaic：ルールベースと学習ベースのモーションプランナを組み合わせるための拡張可能なフレームワーク

概要: 安全で説明可能なモーション計画は、自動運転における中心的な課題として残っています。ルールベースの計画器は予測可能で説明可能なふるまいを提供しますが、現実世界の交通に存在する複雑さや不確実性を十分に理解できないことがよくあります。逆に、学習ベースの計画器は強い適応性を示す一方で、透明性が低下し、ときに安全違反が発生します。私たちは、仲裁グラフを通じて両方のパラダイムを統合する、構造化された意思決定のための拡張可能なフレームワークであるMosaicを提案します。個々の計画器が生成する軌道から、軌道検証とスコアリングを切り離すことで、あらゆる意思決定が透明で追跡可能になります。より高いレベルでの軌道検証は計画器同士の冗長性を導入し、緊急ブレーキを、すべての計画器が有効な軌道を生成できない稀なケースに限定します。統一されたスコアリングと最適な軌道選択により、長所と短所が補完的なルールベース計画器と学習ベース計画器を組み合わせて、「両方の世界の最良」を実現できます。nuPlanにおける実験評価では、MosaicはVal14のクローズドループ・ベンチマークでCLS-NRが95.48、CLS-Rが93.98を達成し、新たな最先端を確立しつつ、いずれか一方の計画器のみの場合と比べて過失による衝突を30%削減しました。interPlanベンチマークでは、高度に相互作用的で困難なシナリオに焦点を当て、MosaicはCLS-Rで54.30を記録し、その最良の構成計画器を23.3%上回ります。さらに、再学習や追加データの要求はありません。コードはgithub.com/KIT-MRT/mosaicで利用可能です。