日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
自動運転/プランニングarXiv:2610.00992

学習済み運転プランナのための閉ループ改良と実行

Closed-Loop Refinement and Execution for Learned Driving Planners

シェア:XThreadsFacebookLINEはてブBluesky

学習ベースの運転プランナを凍結したまま、上位層で軌道候補を生成・衝突余裕で選別し、下位層で追従制御する階層型制御フレームワークを提案し、閉ループ評価で運転スコアと経路完走率を改善した。

詳しい要約

1. どんなもの？

- 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…

2. 先行研究と比べてどこがすごい？

- 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。

3. 技術・手法の肝は？

- 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。

4. どうやって有効だと検証した？

- 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。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 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。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Huaijin Hu, Shanting Wang, Zhongyu Mo, Andreas A. Malikopoulos

分類: eess.SY, cs.RO

原文アブストラクト

Learning-based driving planners are usually trained and evaluated in open loop against logged trajectories. In closed loop, a trajectory with small displacement error can still stall the vehicle, steer it into a conflict with surrounding agents, or be executed with abrupt braking. We introduce Closed-Loop Refinement and Execution (CLRE), a hierarchical receding-horizon control framework designed to mitigate these failure modes while leaving the upstream planner frozen and adding no new learned model. The upper layer treats the nominal trajectory as a reference and solves a finite-horizon optimal control problem that trades route progress against interaction with predicted agents. Solving it from several initializations gives a candidate set, and a prediction-conditioned oriented-bounding-box (OBB) feasibility test retains only candidates whose minimum predicted OBB clearance over the horizon meets a threshold. The lower layer executes the lowest-cost survivor, or a route-centerline backup when none remains, through the tracking controller supplied with the planner, augmented by a range-based speed bound and a saturated proportional braking law. In closed-loop simulation on 126 Bench2Drive routes with VAD as the upstream planner, CLRE raises the driving score from 43.41 to 56.42 and route completion from 57.27 to 72.23, and reduces collision events from 70 to 53.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI