SDS++: Online Situation-Aware Drivable Space Estimation for Automated Driving

要約

自動運転車 (AV) は、安全なナビゲーションのために環境を正確かつ最新に表現する必要があります。
従来の方法は、オフラインで構築された詳細な環境表現に依存することが多く、動的に変化する環境や古い地図を扱う場合には困難を伴います。
したがって、多様なデータソースを統合し、現在の状況に適応できるリアルタイム ソリューションが急務となっています。
これらの課題に対処する既存のフレームワークは、SDS (状況認識型運転可能空間) です。
ただし、SDS は、非標準の出力表現の使用、オブジェクトをポイントとしてエンコードする選択、道路車線などのより複雑なジオメトリの表現の制限、その方法論がシミュレートまたは高度な検証でのみ検証されているという事実など、いくつかの制限に直面しています。
後処理されたデータ。
この取り組みは SDS に基づいて構築されており、SDS の利点を維持しながら欠点を克服するように設計された SDS++ を導入しています。
SDS++ は、シミュレーションだけでなく、未精製の車両データでも厳密に検証されており、モデル予測制御 (MPC) ベースのプランナーと統合されて、計画タスクにおける利点が検証されています。
この結果は、SDS++ が軌道計画機能を大幅に強化し、ローカライゼーション ノイズに対する堅牢性を高め、現在の運転状況に適応した軌道計画を可能にすることを示しています。

要約(オリジナル)

Autonomous Vehicles (AVs) need an accurate and up-to-date representation of the environment for safe navigation. Traditional methods, which often rely on detailed environmental representations constructed offline, struggle in dynamically changing environments or when dealing with outdated maps. Consequently, there is a pressing need for real-time solutions that can integrate diverse data sources and adapt to the current situation. An existing framework that addresses these challenges is SDS (situation-aware drivable space). However, SDS faces several limitations, including its use of a non-standard output representation, its choice of encoding objects as points, restricting representation of more complex geometries like road lanes, and the fact that its methodology has been validated only with simulated or heavily post-processed data. This work builds upon SDS and introduces SDS++, designed to overcome SDS’s shortcomings while preserving its benefits. SDS++ has been rigorously validated not only in simulations but also with unrefined vehicle data, and it is integrated with a model predictive control (MPC)-based planner to verify its advantages for the planning task. The results demonstrate that SDS++ significantly enhances trajectory planning capabilities, providing increased robustness against localization noise, and enabling the planning of trajectories that adapt to the current driving context.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google