Differenzierbare Simulation steigert Pfadplanung autonomer Fahrzeuge

Ein neues Verfahren namens Differentiable Simulation for Search (DSS) verspricht, die Pfadplanung autonomer Fahrzeuge deutlich zu verbessern. Durch die Nutzung des differenzierbaren Simulators Waymax als Vorhersage- und Bewertungsmechanismus kann DSS die zukünftigen Zustände mit hoher Genauigkeit prognostizieren und gleichzeitig die optimale Aktionssequenz mittels Gradient‑Descent optimieren.

Im Gegensatz zu herkömmlichen Ansätzen, die auf reinen Policy‑Netzwerken oder stochastischen Suchalgorithmen beruhen, kombiniert DSS die Vorteile beider Methoden. Die hardcodierten Dynamiken von Waymax liefern präzise Zustandsvorhersagen, während die Differenzierbarkeit des Simulators eine effiziente Suche über mögliche Aktionsketten ermöglicht. Dadurch werden die Agenten in der Lage sein, ihre Bewegungen vorab zu verfeinern und potenzielle Kollisionen in dichtem Verkehr zu vermeiden.

Experimentelle Ergebnisse zeigen, dass DSS die Genauigkeit bei Tracking und Pfadplanung signifikant übertrifft. Im Vergleich zu sequentiellen Vorhersagen, Imitationslernen, modellfreier Reinforcement‑Learning‑Methoden und anderen Planungsalgorithmen liefert DSS eine deutlich höhere Präzision und Robustheit in komplexen Verkehrsszenarien.