Connected Autonomous Vehicle Motion Planning with Video Predictions from Smart, Self-Supervised Infrastructure

要約

コネクテッド自動運転車 (CAV) は、都市交通における安全性、効率性、持続可能性の向上を約束します。
ただし、これは CAV が周囲のエージェントの動きを正確に予測し、自身の動きを安全に計画できることが条件となります。
複雑な都市環境では、オクルージョンが頻繁に発生し、多くのエージェント間で相互作用が発生するため、これを行うことは困難です。
解決策の 1 つは、スマート インフラストラクチャを活用して CAV の状況認識を強化することです。
現在の研究では、最近提案されたスマート センサーの「自己監視交通アドバイザー」(SSTA) フレームワークを利用しています。このフレームワークは、道路利用者の有用なビデオ予測を生成してブロードキャストするように学習します。
この作業では、生のビデオではなく将来の占有率を予測するように SSTA 予測が変更され、ブロードキャスト予測のデータ フットプリントが削減されます。
結果として得られる予測は計画フレームワーク内で使用され、この設計が CAV 動作計画を効果的に支援できることが実証されています。
さまざまな数値実験により、SSTA の出力を混雑した都市環境での実際的な CAV 計画に役立つようにする重要な要素が研究されています。

要約(オリジナル)

Connected autonomous vehicles (CAVs) promise to enhance safety, efficiency, and sustainability in urban transportation. However, this is contingent upon a CAV correctly predicting the motion of surrounding agents and planning its own motion safely. Doing so is challenging in complex urban environments due to frequent occlusions and interactions among many agents. One solution is to leverage smart infrastructure to augment a CAV’s situational awareness; the present work leverages a recently proposed ‘Self-Supervised Traffic Advisor’ (SSTA) framework of smart sensors that teach themselves to generate and broadcast useful video predictions of road users. In this work, SSTA predictions are modified to predict future occupancy instead of raw video, which reduces the data footprint of broadcast predictions. The resulting predictions are used within a planning framework, demonstrating that this design can effectively aid CAV motion planning. A variety of numerical experiments study the key factors that make SSTA outputs useful for practical CAV planning in crowded urban environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google