エンドツーエンドの自動運転に、本当に認識タスクは必要か？

[fulfulggg]

タイトル: エンドツーエンドの自動運転に、本当に認識タスクは必要か？

リンク: https://arxiv.org/abs/2409.18341

概要:

エンドツーエンド自動運転（E2EAD）手法は通常、物体や地図などの明示的なシーン情報を抽出するために、教師ありの知覚タスクに依存しています。この依存性により、高価なアノテーションが必要となり、リアルタイムアプリケーションへの展開とデータのスケーラビリティが制限されます。本稿では、スパースシーン表現としてわずか16個のナビゲーション誘導トークンのみを利用し、E2EADに不可欠なシーン情報を効率的に抽出する新しいフレームワーク、SSRを紹介します。私たちの手法は、教師ありのサブタスクの必要性をなくし、ナビゲーションの意図に直接関連する重要な要素に計算リソースを集中させることができます。さらに、鳥瞰図（BEV）ワールドモデルを採用した時間的強化モジュールを導入し、自己教師あり学習を通じて予測される将来のシーンと実際の将来のシーンを整合させます。SSRは、nuScenesデータセットにおいて最先端の計画性能を達成し、主要なE2EAD手法であるUniADと比較して、L2誤差を27.2%、衝突率を51.6%削減しました。さらに、SSRは10.9倍高速な推論速度と13倍高速なトレーニング時間を提供します。このフレームワークは、リアルタイム自動運転システムにおける大きな飛躍であり、将来のスケーラブルな展開への道を切り開きます。コードは\url{https://github.com/PeidongLi/SSR}で公開されます。

[fulfulggg]

@yukihiko-fuyuki が以下のラベルを提案し、適用しました：

• self-supervised-learning
• 3D-scene-representation
• object-detection

[fulfulggg]

論文要約

論文要約: エンドツーエンドの自動運転に、本当に認識タスクは必要か？

自動運転において、周囲の環境を認識する従来の手法は、物体検出などの複雑なタスクに依存しており、大量のデータと計算リソースを必要としていました。

本論文では、SSR (Sparse Scene Representation) と呼ばれる新しいフレームワークを提案し、複雑な認識タスクを介さずに、自動運転を実現できることを示しています。

SSRの特徴

• スパースな表現: わずか16個の「ナビゲーション誘導トークン」を用いてシーン情報を表現。従来の物体検出のような複雑な処理が不要。
• 教師なし学習: 高価なアノテーションデータに依存しない学習が可能。
• 時間的強化モジュール: 鳥瞰図を用いた予測モデルにより、将来のシーン変化を予測し、より安全な運転を実現。

結果

• 高精度: 既存手法と比較して、予測精度が大幅に向上。
• 高速化: 推論速度は10.9倍、学習速度は13倍高速化。

結論

SSRは、軽量かつ効率的な自動運転システムの実現に向けて大きく貢献する可能性を秘めています。従来の認識タスクに依存しないアプローチは、今後の自動運転技術の開発に新たな道を切り開くでしょう。