Overcoming the Fear of the Dark: Occlusion-Aware Model-Predictive Planning for Automated Vehicles Using Risk Fields

要約

車両の自動化が進むにつれて、安全で効率的なナビゲーションを実現する上で、動作計画アルゴリズムはますます課題に直面しています。
既存の先進運転支援システム (ADAS) は主に基本的なタスクに焦点を当てており、人間の介入による予期せぬシナリオが残されており、エラーが発生しやすい可能性があります。
最先端のより高いレベルの自動化のための動作計画アプローチは、主にリスクまたは衝突防止の制約を使用することを目的としており、他の道路利用者の形状やサイズを過度に近似して衝突を防止します。
ただし、これらの方法には保守的な動作があり、リスクの高い初期条件では実行不可能になるリスクがあります。
対照的に、私たちの研究では、新しい多目的軌道生成アプローチを導入しています。
私たちは、多様なエンティティの形状やサイズに対応するリスク フィールドを構築するための革新的な方法を提案します。これにより、潜在的に遮蔽されたオブジェクトの存在も考慮できるようになります。
この方法論はオクルージョンを認識した軌道ジェネレーターに統合されており、（潜在的に隠れている）道路利用者を予測し、特定の目標に向かってインフラに沿って移動しながら、複雑な環境を動的かつ安全に移動することが可能になります。
理論的な基礎とシミュレーションを通じて、アプローチの有効性を検証します。
この論文は、自動運転車の動作計画における重大なギャップを埋め、複雑な都市環境におけるより安全で適応性の高い自律ナビゲーションへの道を提供します。

要約(オリジナル)

As vehicle automation advances, motion planning algorithms face escalating challenges in achieving safe and efficient navigation. Existing Advanced Driver Assistance Systems (ADAS) primarily focus on basic tasks, leaving unexpected scenarios for human intervention, which can be error-prone. Motion planning approaches for higher levels of automation in the state-of-the-art are primarily oriented toward the use of risk- or anti-collision constraints, using over-approximates of the shapes and sizes of other road users to prevent collisions. These methods however suffer from conservative behavior and the risk of infeasibility in high-risk initial conditions. In contrast, our work introduces a novel multi-objective trajectory generation approach. We propose an innovative method for constructing risk fields that accommodates diverse entity shapes and sizes, which allows us to also account for the presence of potentially occluded objects. This methodology is integrated into an occlusion-aware trajectory generator, enabling dynamic and safe maneuvering through intricate environments while anticipating (potentially hidden) road users and traveling along the infrastructure toward a specific goal. Through theoretical underpinnings and simulations, we validate the effectiveness of our approach. This paper bridges crucial gaps in motion planning for automated vehicles, offering a pathway toward safer and more adaptable autonomous navigation in complex urban contexts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google