每天一分鐘，帶你讀遍機器人頂級會議文章
標題：Interpretable Goal-based Prediction and Planning for Autonomous Driving
作者：Stefano V。 Albrecht， Cillian Brewitt， John Wilhelm， Balint Gyevnar， Francisco Eiras， Mihai Dobre ， Subramanian Ramamoorthy
編譯：靳小鑫
稽核：柴毅，王靖淇
這是泡泡一分鐘推送的第 851 篇文章，歡迎個人轉發朋友圈；其他機構或自媒體如需轉載，後臺留言申請授權
摘要
本文提出了一種綜合的自動駕駛預測和規劃系統，它利用合理的逆規劃來識別其他車輛的意圖。目標識別可以通過蒙特卡羅樹搜尋（MCTS）演算法來規劃自我車輛的最佳動作。逆規劃和MCTS利用一組共同定義的動作和宏觀行動來構建可透過理性原則來解釋的規劃。對城市駕駛場景模擬的評估表明，該系統能夠穩健地識別其他車輛的意圖，使我們的車輛能夠利用重要的機會來顯著減少駕駛時間。在每個場景中，我們都提取了對預測的直觀解釋，以證明系統的決策是正確的。
圖 1。IGP2系統概述
圖 2。4個測試場景中的IGP2
圖 3。城鎮1和城鎮2的佈局
圖 4。在場景S1-S4中，選定車輛的真實目標的平均機率。注：S1/S3的長度比Tab中所示的要短。因為可能的車輛目標在達到出口點後改變，我們只顯示初始可能目標的軌跡。
圖 5。 在鎮1和鎮2的10條路線的IGP2和Cons的行駛時間（秒）
Abstract
We propose an integrated prediction and planning system for autonomous driving which uses rational inverse planning to recognise the goals of other vehicles。 Goal recognition informs a Monte Carlo Tree Search （MCTS） algorithm to plan optimal maneuvers for the ego vehicle。 Inverse planning and MCTS utilise a shared set of defined maneuvers and macro actions to construct plans which are explainable by means of rationality principles。 Evaluation in simulations of urban driving scenarios demonstrate the system’s ability to robustly recognise the goals of other vehicles， enabling our vehicle to exploit non-trivial opportunities to significantly reduce driving times。 In each scenario， we extract intuitive explanations for the predictions which justify the system’s decisions。
