要約
この研究では、車両、道路、クラウドのアーキテクチャ内に 4D リスク占有率を導入し、路面の空間、リスク、時間的次元を統合し、アルゴリズムに見通し外、全角度、効率的な能力を与えます。
このアルゴリズムは、直接観察可能な情報と主要な要素に焦点を当て、占有グリッド マップ (OGM) の概念を活用し、現在および将来のリスク占有を効果的にマッピングするための時間的予測を組み込むことにより、リスク モデリングを簡素化します。
従来の運転リスク フィールドやグリッド占有マップと比較して、このアルゴリズムはグローバル リスクをより効率的、簡単、かつ確実にマッピングできます。
将来のリスク情報を統合し、動的な交通環境に適応できます。
4D リスク占有率は、BEV 検出と車線境界線検出結果の表現も統合し、環境認識の直観性と統一性を高めます。
この論文では、DAIR-V2X データを使用して 4D リスク占有アルゴリズムを検証し、それに基づいてローカル パス計画モデルを開発します。
さまざまな道路条件下での定性実験により、このローカル経路計画モデルの実用性と堅牢性が実証されています。
定量的分析の結果、リスク占有に基づく経路計画により軌道計画のパフォーマンスが大幅に向上し、安全冗長性が 12.5% 向上し、初制動速度 8 m/s での平均減速度が 5.41% 減少し、それにより安全性と快適性が向上することが示されています。
この研究は、車両-道路-クラウド アーキテクチャを通じて新しいグローバル知覚方法とローカル経路計画方法を提供し、より安全でより効率的な自動運転を実現するための新しい知覚パラダイムを提供します。
要約(オリジナル)
This study introduces the 4D Risk Occupancy within a vehicle-road-cloud architecture, integrating the road surface spatial, risk, and temporal dimensions, and endowing the algorithm with beyond-line-of-sight, all-angles, and efficient abilities. The algorithm simplifies risk modeling by focusing on directly observable information and key factors, drawing on the concept of Occupancy Grid Maps (OGM), and incorporating temporal prediction to effectively map current and future risk occupancy. Compared to conventional driving risk fields and grid occupancy maps, this algorithm can map global risks more efficiently, simply, and reliably. It can integrate future risk information, adapting to dynamic traffic environments. The 4D Risk Occupancy also unifies the expression of BEV detection and lane line detection results, enhancing the intuitiveness and unity of environmental perception. Using DAIR-V2X data, this paper validates the 4D Risk Occupancy algorithm and develops a local path planning model based on it. Qualitative experiments under various road conditions demonstrate the practicality and robustness of this local path planning model. Quantitative analysis shows that the path planning based on risk occupation significantly improves trajectory planning performance, increasing safety redundancy by 12.5% and reducing average deceleration by 5.41% at an initial braking speed of 8 m/s, thereby improving safety and comfort. This work provides a new global perception method and local path planning method through Vehicle-Road-Cloud architecture, offering a new perceptual paradigm for achieving safer and more efficient autonomous driving.
arxiv情報
著者 | Jiaxing Chen,Wei Zhong,Bolin Gao,Yifei Liu,Hengduo Zou,Jiaxi Liu,Yanbo Lu,Jin Huang,Zhihua Zhong |
発行日 | 2024-08-14 08:26:50+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google