IR-STP: Enhancing Autonomous Driving with Interaction Reasoning in Spatio-Temporal Planning

要約

自動運転システム (ADS) の基礎を形成する動作計画アルゴリズムの開発には、多大な研究努力が費やされてきました。
それにもかかわらず、計画におけるインタラクション モデリングの複雑な性質により、ADS のインタラクティブで安全な軌道を取得することは依然として困難です。
最新の計画手法は依然として予測結果の均一な処理を採用しており、衝突回避戦略のみに依存しているため、計画のパフォーマンスが最適化されていません。
この制限に対処するために、この論文では、自動運転のための新しい予測ベースの対話型計画フレームワークを紹介します。
私たちの方法は、相互作用の条件と制約を定義することにより、相互作用推論を時空間 (s-t) 計画に組み込みます。
具体的には、前方探索全体を通じて、各計画状態の相互作用関係を記録し、継続的に更新します。
CommonRoad 環境で最先端の手法と並行して、アプローチのパフォーマンスを評価します。
私たちの実験には、予測結果の精度、モダリティ、プランナーの積極性の程度が異なる合計 232 のシナリオが含まれています。
実験結果は、私たちの方法の有効性と堅牢性を示しています。
これにより、3 モーダル シナリオでは衝突時間が約 17.6% 短縮され、単一モーダル シナリオでは距離完全性が 7.6% 近く、失敗率が 31.7% 向上しました。
コミュニティの参考として、私たちのコードは https://github.com/ChenYingbing/IR-STP-Planner からアクセスできます。

要約(オリジナル)

Considerable research efforts have been devoted to the development of motion planning algorithms, which form a cornerstone of the autonomous driving system (ADS). Nonetheless, acquiring an interactive and secure trajectory for the ADS remains challenging due to the complex nature of interaction modeling in planning. Modern planning methods still employ a uniform treatment of prediction outcomes and solely rely on collision-avoidance strategies, leading to suboptimal planning performance. To address this limitation, this paper presents a novel prediction-based interactive planning framework for autonomous driving. Our method incorporates interaction reasoning into spatio-temporal (s-t) planning by defining interaction conditions and constraints. Specifically, it records and continually updates interaction relations for each planned state throughout the forward search. We assess the performance of our approach alongside state-of-the-art methods in the CommonRoad environment. Our experiments include a total of 232 scenarios, with variations in the accuracy of prediction outcomes, modality, and degrees of planner aggressiveness. The experimental findings demonstrate the effectiveness and robustness of our method. It leads to a reduction of collision times by approximately 17.6% in 3-modal scenarios, along with improvements of nearly 7.6% in distance completeness and 31.7% in the fail rate in single-modal scenarios. For the community’s reference, our code is accessible at https://github.com/ChenYingbing/IR-STP-Planner.

arxiv情報

著者 Yingbing Chen,Jie Cheng,Lu Gan,Sheng Wang,Hongji Liu,Xiaodong Mei,Ming Liu
発行日 2024-01-15 09:10:13+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: 68T40, cs.RO, J.2 パーマリンク