ترجمه فارسی مقاله Lab2Car: پوششی همه کاره برای استقرار برنامه ریزان تجربی در محیط های پیچیده دنیای واقعی

چکیده

Human-level autonomous driving is an ever-elusive goal, with planning and decision making — the cognitive functions that determine driving behavior — posing the greatest challenge. Despite a proliferation of promising approaches, progress is stifled by the difficulty of deploying experimental planners in naturalistic settings. In this work, we propose Lab2Car, an optimization-based wrapper that can take a trajectory sketch from an arbitrary motion planner and convert it to a safe, comfortable, dynamically feasible trajectory that the car can follow. This allows motion planners that do not provide such guarantees to be safely tested and optimized in real-world environments. We demonstrate the versatility of Lab2Car by using it to deploy a machine learning (ML) planner and a search-based planner on self-driving cars in Las Vegas. The resulting systems handle challenging scenarios, such as cut-ins, overtaking, and yielding, in complex urban environments like casino pick-up/drop-off areas. Our work paves the way for quickly deploying and evaluating candidate motion planners in realistic settings, ensuring rapid iteration and accelerating progress towards human-level autonomy.

چکیده به فارسی (ترجمه ماشینی)

رانندگی خودمختار در سطح انسانی با برنامه ریزی و تصمیم گیری-کارکردهای شناختی که رفتار رانندگی را تعیین می کند-بیشترین چالش را نشان می دهد.با وجود گسترش رویکردهای امیدوارکننده ، پیشرفت با دشواری در استفاده از برنامه ریزان آزمایشی در محیط های طبیعت گرایانه خنثی می شود.در این کار ، ما LAB2CAR را پیشنهاد می کنیم ، یک بسته بندی مبتنی بر بهینه سازی که می تواند یک طرح مسیر را از یک برنامه ریز حرکت دلخواه بگیرد و آن را به یک مسیر ایمن ، راحت و پویا امکان پذیر که ماشین می تواند دنبال کند تبدیل کند.این اجازه می دهد تا برنامه ریزان حرکتی که چنین تضمینی را ارائه نمی دهند ، با خیال راحت در محیط های دنیای واقعی آزمایش و بهینه شوند.ما تطبیق پذیری LAB2CAR را با استفاده از آن برای استقرار یک برنامه ریز یادگیری ماشین (ML) و یک برنامه ریز مبتنی بر جستجو در اتومبیل های خودران در لاس وگاس نشان می دهیم.سیستم های حاصل سناریوهای چالش برانگیز ، مانند برش ، سبقت و بازده را در محیط های پیچیده شهری مانند مناطق وانت/کشویی کازینو اداره می کنند.کار ما راه را برای استفاده سریع و ارزیابی برنامه ریزان حرکتی نامزد در تنظیمات واقع گرایانه ، تضمین تکرار سریع و تسریع در پیشرفت به سمت استقلال در سطح انسان ، هموار می کند.