Jointly Learnable Behavior and Trajectory Planning for Self-Driving\n Vehicles
Notice bibliographique
Résumé
The motion planners used in self-driving vehicles need to generate\ntrajectories that are safe, comfortable, and obey the traffic rules. This is\nusually achieved by two modules: behavior planner, which handles high-level\ndecisions and produces a coarse trajectory, and trajectory planner that\ngenerates a smooth, feasible trajectory for the duration of the planning\nhorizon. These planners, however, are typically developed separately, and\nchanges in the behavior planner might affect the trajectory planner in\nunexpected ways. Furthermore, the final trajectory outputted by the trajectory\nplanner might differ significantly from the one generated by the behavior\nplanner, as they do not share the same objective. In this paper, we propose a\njointly learnable behavior and trajectory planner. Unlike most existing\nlearnable motion planners that address either only behavior planning, or use an\nuninterpretable neural network to represent the entire logic from sensors to\ndriving commands, our approach features an interpretable cost function on top\nof perception, prediction and vehicle dynamics, and a joint learning algorithm\nthat learns a shared cost function employed by our behavior and trajectory\ncomponents. Experiments on real-world self-driving data demonstrate that\njointly learned planner performs significantly better in terms of both\nsimilarity to human driving and other safety metrics, compared to baselines\nthat do not adopt joint behavior and trajectory learning.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».