MARC: Multipolicy and Risk-aware Contingency Planning for Autonomous Driving

要約

交通参加者の行動の確率的性質と自車両との暗黙的な相互作用により、自動運転車両にとって、密集した動的な環境で安全で非保守的な行動を生成することは依然として困難です。
このホワイトペーパーでは、行動計画と動作計画の両方の側面からマルチポリシーベースのパイプラインを強化することで、これらの課題に系統的に対処する、新しい計画フレームワークであるマルチポリシーとリスクを意識した緊急時計画 (MARC) について説明します。
具体的には、MARC は、各セマンティック レベルのエゴ ポリシーに条件付けされた複数の可能な将来を反映する重要なシナリオ セットを実現します。
次に、生成されたポリシー条件付きシナリオは、シーンレベルの分岐点に基づいた動的な分岐点を備えたツリー構造表現にさらに定式化されます。
さらに、多様な運転操作を生成するために、複数の将来シナリオとユーザー定義のリスク許容レベルを同時に考慮する 2 レベルの最適化アルゴリズムである、リスクを意識した緊急時計画を導入します。
行動計画層と動作計画層のより統合された組み合わせにより、私たちのフレームワークは効率的な意思決定と人間らしい運転操作を実現します。
包括的な実験結果は、さまざまな環境において他の強力なベースラインよりも優れたパフォーマンスを実証しています。

要約(オリジナル)

Generating safe and non-conservative behaviors in dense, dynamic environments remains challenging for automated vehicles due to the stochastic nature of traffic participants’ behaviors and their implicit interaction with the ego vehicle. This paper presents a novel planning framework, Multipolicy And Risk-aware Contingency planning (MARC), that systematically addresses these challenges by enhancing the multipolicy-based pipelines from both behavior and motion planning aspects. Specifically, MARC realizes a critical scenario set that reflects multiple possible futures conditioned on each semantic-level ego policy. Then, the generated policy-conditioned scenarios are further formulated into a tree-structured representation with a dynamic branchpoint based on the scene-level divergence. Moreover, to generate diverse driving maneuvers, we introduce risk-aware contingency planning, a bi-level optimization algorithm that simultaneously considers multiple future scenarios and user-defined risk tolerance levels. Owing to the more unified combination of behavior and motion planning layers, our framework achieves efficient decision-making and human-like driving maneuvers. Comprehensive experimental results demonstrate superior performance to other strong baselines in various environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google