Real-Time Optimal Trajectory Planning for Autonomous Vehicles and Lap Time Simulation Using Machine Learning
원문 초록
Widespread development of driverless vehicles has led to the formation of autonomous racing, where technological development is accelerated by the high speeds and competitive environment of motorsport. A particular challenge for an autonomous vehicle is that of identifying a target trajectory - or, in the case of a competition vehicle, the racing line. Many existing approaches to finding the racing line are either not time-optimal solutions, or are computationally expensive - rendering them unsuitable for real-time application using on-board processing hardware. This study describes a machine learning approach to generating an accurate prediction of the racing line in real-time on desktop processing hardware. The proposed algorithm is a feed-forward neural network, trained using a dataset comprising racing lines for a large number of circuits calculated via traditional optimal control lap time simulation. The network predicts the racing line with a mean absolute error of +/-0.27m, and just +/-0.11m at corner apex - comparable to human drivers, and autonomous vehicle control subsystems. The approach generates predictions within 33ms, making it over 9,000 times faster than traditional methods of finding the optimal trajectory. Results suggest that for certain applications data-driven approaches to find near-optimal racing lines may be favourable to traditional computational methods.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
Drive-JEPA: 엔드-투-엔드 자율주행을 위한 비디오 JEPA와 멀티모달 궤적 증류의 결합
Drive-JEPA: Video JEPA Meets Multimodal Trajectory Distillation for End-to-End Driving
엔드-투-엔드 자율주행은 전이 가능한 계획 표현을 학습하기 위해 자기지도 비디오 사전학습을 점점 더 많이 활용하고 있다. 그러나 장면 이해를 위한 비디오 월드 모델 사전학습은 지금까지 제한적인 성능 향상만을 가져왔다. 이러한 한계는 자율주행의 본질적 모호성으로 인해 더욱 심화된다. 각 장면에서는 일반적으로 단 하나의 인간 궤적만이 제공되므로 멀티모달 행동을 학습하기가 어렵다. 본 연구에서는 엔드-투-엔드 자율주행을 위해 비디오 결합 임베딩 예측 아키텍처(V-JEPA)와 멀티모달 궤적 증류를 통합한 프레임워크인 Drive-JEPA를 제안한다. 먼저, 대규모 주행 비디오에서 ViT 인코더를 사전학습하여 궤적 계획과 정렬된 예측 표현을 생성하도록 V-JEPA를 엔드-투-엔드 자율주행에 적합하게 변형한다. 다음으로, 인간 궤적과 함께 시뮬레이터에서 생성된 다양한 궤적을 증류하고, 안정적이고 안전한 행동을 촉진하기 위한 모멘텀 인식 선택 메커니즘을 갖춘 제안 중심 계획기를 도입한다. NAVSIM에서 평가한 결과, V-JEPA 표현과 간단한 트랜스포머 기반 디코더의 조합은 인지 없는 설정에서 기존 방법 대비 PDMS 3점 향상을 달성한다. 완전한 Drive-JEPA 프레임워크는 v1에서 93.3 PDMS, v2에서 87.8 EPDMS를 달성하며 새로운 최고 성능(state-of-the-art)을 수립한다.
UniDrive-WM: Unified Understanding, Planning and Generation World Model for Autonomous Driving
DriveVer: 자율주행을 위한 테스트 타임 검증기로서의 경량 궤적 평가기
DriveVer: Lightweight Trajectory Evaluator as Test-Time Verifier for Autonomous Driving
종단간(end-to-end) 자율주행 모델은 학습 시간 스케일링이 높은 계산 비용과 한계 수익 체감을 초래하면서 성능 병목 현상에 자주 직면한다. 기존 플래너는 일반적으로 원샷(one-shot) 생성 패러다임을 채택하여, 추론 중 최적이 아니거나 안전하지 않은 궤적을 탐지하고 수정하기 위한 2차 검증 및 능동적 교정 메커니즘이 부재하다. 이 문제를 해결하기 위해, 우리는 DriveVer를 제안한다. DriveVer는 경량 플러그앤플레이(plug-and-play) 테스트 타임 검증기(Test-Time Verifier)로, 테스트 타임 스케일링 패러다임을 활용하여 비용이 많이 드는 대규모 학습 없이도 자율주행 시스템이 궤적을 검증하고 개선할 수 있도록 한다. 우리는 자차(ego-vehicle) 상태와 내비게이션 명령에 따른 조건 기반 클러스터링 및 균형 샘플링을 통해 NAVSIM 벤치마크 기반의 전용 궤적 데이터셋을 구축하였다. 듀얼 헤드(dual-head) 아키텍처를 채택한 DriveVer는 후보 궤적을 다시점(multi-view) 시각 표현 및 자차 운동학적 특징과 효율적으로 융합하여 안전 신뢰도 점수와 절대적 기하학적 정제 벡터를 동시에 예측한다. NAVSIM 벤치마크에서의 광범위한 실험을 통해 DriveVer가 기반 계획 모델의 성능을 크게 향상시킴을 확인하였다. 특히, 단 3,400만(34M) 개의 매개변수를 가진 극도로 경량화된 모델로서, DriveVer는 최소한의 계산 오버헤드만을 추가하면서 실시간 추론 효율성을 유지하며 경쟁력 있는 결과를 달성한다.
개인화된 주행 편의와 이동 효율을 위한 차선 변경 궤적 계획
Lane Change Trajectory Planning for Personalized Driving Comfort and Mobility Efficiency
차선 변경은 주행 편의와 이동 효율에 영향을 미치는 종방향 및 횡방향 운동을 동시에 수반한다. 이러한 운동은 밀접하게 결합되어 있으며 차량 간 상당한 변동성의 영향을 받기 때문에, 차선 변경 기동을 위한 궤적 계획은 매우 개인화된 특성을 갖는다. 본 연구는 3차 다항식 궤적 생성기와 다양한 주행 조건에서 최적 궤적 매개변수를 추론하는 학습 모듈을 통합한 신경망 기반 플래너를 제안한다. 공유 백본과 이중 헤드를 사용하여, 한 헤드는 모든 조건에서의 운용 보장을 확보하고, 다른 헤드는 편의 또는 이동 효율에 대한 운전자별 선호를 포착한다. 오류 우승 로지스틱 회귀 기반 통계 게이트로 구현된 헤드 게이트 전환 메커니즘이 다양한 주행 조건에서 적절한 헤드를 적응적으로 선택하여, 맥락 인식 차선 변경 궤적 계획을 가능하게 한다. 대표 사례와 몬테카를로 시뮬레이션 결과, 제안된 플래너가 차선 변경 중 개인화된 편의와 이동성을 달성함을 보여주며, 기준선은 개인화 데이터가 불충분하거나 접근할 수 없는 주행 조건에서 실행 가능한 궤적을 보장한다.
자율주행을 위한 생성형 AI: 최전선과 기회
Generative AI for Autonomous Driving: Frontiers and Opportunities
생성형 인공지능(GenAI)은 콘텐츠 생성, 추론, 계획, 멀티모달 이해를 위한 비할 데 없는 역량을 통해 산업을 재편하는 변혁적인 기술 물결을 형성하고 있습니다. 이러한 혁신적인 힘은 공학 분야의 가장 큰 난제 중 하나인 신뢰할 수 있는 완전 자율주행의 달성, 특히 레벨 5 자율주행의 실현을 향한 가장 유망한 경로를 제공합니다. 본 서베이 논문은 자율주행 스택 전반에 걸친 생성형 AI의 부상하는 역할을 포괄적이고 비판적으로 종합하여 제시합니다. 먼저 VAE, GAN, 확산 모델(Diffusion Models), 대규모 언어 모델(LLM)을 아우르는 현대 생성 모델링의 원리와 트레이드오프를 정리합니다. 이어서 이미지, LiDAR, 궤적, 점유(occupancy), 비디오 생성뿐만 아니라 LLM 기반 추론 및 의사결정에서의 최전선 응용 사례를 조망합니다. 또한 합성 데이터 워크플로우, 엔드투엔드(end-to-end) 주행 전략, 고충실도 디지털 트윈 시스템, 지능형 교통 네트워크, 체화된 AI(embodied AI)로의 도메인 간 전이 등 실질적인 적용 분야를 분류합니다. 희귀 사례에 걸친 포괄적 일반화, 평가 및 안전성(safety) 검증, 예산 제약 기반 구현, 규제 준수, 윤리적 문제, 환경적 영향과 같은 주요 장애물과 가능성을 식별하는 동시에, 이론적 보증, 신뢰 메트릭, 교통 통합, 사회기술적 영향에 걸친 연구 계획을 제안합니다. 이러한 흐름을 통합함으로써, 본 서베이는 생성형 AI와 첨단 자율 이동성의 수렴을 탐색하는 연구자, 엔지니어, 정책 입안자들에게 미래지향적인 참고자료를 제공합니다. 인용된 연구들을 적극적으로 관리하는 저장소는 https://github.com/taco-group/GenAI4AD 에서 확인할 수 있습니다.
A Survey on Vision-Language-Action Models for Autonomous Driving
토론
이 논문과 연결된 포럼 글이 아직 없습니다.