CLOVER: Closed-Loop Value Estimation and Ranking for End-to-End Autonomous Driving Planning

작성자

Haebom

카테고리

Empty

저자

Sining Ang, Yuguang Yang, Canyu Chen, Yan Wang

💡 개요

본 논문은 End-to-end 자율주행 계획에서 발생하는 훈련-평가 불일치 문제를 해결하기 위한 CLOVER 프레임워크를 제안한다. CLOVER는 다양한 후보 궤적을 생성하는 생성자(generator)와 해당 궤적의 계획 지표 점수를 예측하여 순위를 매기는 평가자(scorer)로 구성된다. 특히, 훈련 과정에서 단일 궤적 모방을 넘어선 세트 수준의 커버리지 지도 학습과 보수적인 폐루프 자기 증류(closed-loop self-distillation)를 통해 생성자의 성능을 향상시킨다.

🔑 시사점 및 한계

•

End-to-end 자율주행 계획에서 훈련 데이터와 평가 지표 간의 불일치 문제를 효과적으로 완화하여 실제 주행 환경에서의 성능을 향상시킬 수 있다.

•

제안된 세트 수준의 커버리지 지도 학습 및 보수적인 폐루프 자기 증류 방식은 불완전한 평가자가 생성자 개선에 기여할 수 있는 조건을 제시하며, 이는 향후 자율주행 모델 개발에 중요한 시사점을 제공한다.

•

제안된 방법론은 NAVSIM 및 NavHard와 같은 특정 시뮬레이션 환경에서 우수한 성능을 보였지만, 실제 도로 환경에서의 일반화 성능 검증 및 다양한 센서 융합 시나리오에서의 적용 가능성에 대한 추가 연구가 필요하다.

PDF 보기

Made with Slashpage