Learning Sampling Distribution and Safety Filter for Autonomous Driving with VQ-VAE and Differentiable Optimization

在自动驾驶中，从一个分布中采样轨迹，并根据指定的成本函数对它们进行排名是一种常见的方法。通常，采样分布是手工制作的（例如高斯分布或网格分布）。最近，一些人开始使用生成模型（如条件变分自编码器（CVAE））学习采样分布。然而，由于CVAE的高斯先验，这些方法无法捕捉驾驶行为的多模态性。因此，在本文中，我们通过矢量量化变分自编码器（VQ-VAE）重新想象了分布学习，其离散的潜在空间非常适合捕捉多模态采样分布。VQ-VAE是通过最优轨迹的演示数据进行训练的。我们进一步提出了一种可微分的基于优化的安全过滤器，以最小化地纠正VQ-VAE采样的轨迹，以确保避免碰撞。我们在自我监督学习的设置中通过优化层进行反向传播，以学习良好的初始化和安全过滤器的最优参数。我们在密集和激烈的交通情况下与基于CVAE的最新技术进行了广泛的比较，并显示了高达12倍的碰撞率降低，同时在驾驶速度方面具有竞争力。

本文旨在通过学习采样分布来解决自动驾驶中的多模态问题，提出了基于向量量化变分自编码器（VQ-VAE）的方法，并使用可微分优化的安全过滤器来确保避免碰撞。

本文提出了一种基于VQ-VAE的方法来学习采样分布，通过离散潜变量空间来捕捉多模态采样分布，同时使用可微分优化的安全过滤器来确保避免碰撞。

本文通过实验表明，相比于基于CVAE的基线模型，在密集和激烈的交通场景中，本文提出的方法可以将碰撞率降低多达12倍，同时保持竞争性的行驶速度。本文使用了演示数据来训练VQ-VAE，并通过自监督学习的方式使用反向传播来学习安全过滤器的初始化和最优参数。本文的方法有望在自动驾驶领域得到应用。

最近在自动驾驶领域的相关研究中，也有一些关于学习采样分布的方法。例如，基于CVAE的方法可以用来学习采样分布，但由于其高斯潜变量先验，难以捕捉多模态分布。另外，还有一些研究使用生成对抗网络（GAN）来学习采样分布。