Agile Decision-Making and Safety-Critical Motion Planning for Emergency Autonomous Vehicles

要約

自動運転車 (AV)、特に緊急用 AV にとって効率は非常に重要です。
しかし、既存の方法のほとんどは通常の車両に焦点を当てており、安全性を確保しながら効率を最大化するという課題に対処するために緊急車両に必要な明確な戦略を見落としています。
このホワイトペーパーでは、アクティブかつセーフティクリティカルな動作計画システム (IDEAM) を使用した統合アジャイル意思決定を提案します。
IDEAM は、救急車などの緊急 AV が安全を念頭に置きながら、密集した交通シナリオで能動的に効率を達成できるようにすることに重点を置いています。
まず,長期短期時空間グラフ中心意思決定(LSGM)と呼ばれる速度中心意思決定アルゴリズムを与える。
LSGM は、複数のパス生成のための条件付き深さ優先探索 (C-DFS) と、パス選択のための速度向上およびリスク評価のための方法で構成されており、高効率と安全性を考慮した堅牢なアルゴリズムを提供します。
次に、LSGM からの出力パスを使用して、モーション プランナーは環境条件を再検討して、最終計画段階の制約状態を決定します。その中で、レーン プロービング状態は、空間的および速度的利点を積極的に達成するように設計されています。
第三に、最終制約状態と選択されたパスを備えたフレネ ベースのモデル予測制御 (MPC) フレームワークの下で、セーフティ クリティカルなモーション プランナーは、分離された離散制御バリア関数 (DCBF) と線形化された離散時間高次制御バリア関数 (DHOCBF) を採用します。
) を使用して、さまざまな運転動作に関連する制約をモデル化し、最適化問題を凸型にします。
最後に、ランダムに合成されたデータセットからのシナリオを使用してシステムを広範囲に検証し、速度の利点と安全性を同時に確保する能力を実証します。

要約(オリジナル)

Efficiency is critical for autonomous vehicles (AVs), especially for emergency AVs. However, most existing methods focus on regular vehicles, overlooking the distinct strategies required by emergency vehicles to address the challenge of maximizing efficiency while ensuring safety. In this paper, we propose an Integrated Agile Decision-Making with Active and Safety-Critical Motion Planning System (IDEAM). IDEAM focuses on enabling emergency AVs, such as ambulances, to actively attain efficiency in dense traffic scenarios with safety in mind. Firstly, the speed-centric decision-making algorithm named the long short-term spatio-temporal graph-centric decision-making (LSGM) is given. LSGM comprises conditional depth-first search (C-DFS) for multiple paths generation as well as methods for speed gains and risk evaluation for path selection, which presents a robust algorithm for high efficiency and safety consideration. Secondly, with an output path from LSGM, the motion planner reconsiders environmental conditions to decide constraints states for the final planning stage, among which the lane-probing state is designed for actively attaining spatial and speed advantage. Thirdly, under the Frenet-based model predictive control (MPC) framework with final constraints state and selected path, the safety-critical motion planner employs decoupled discrete control barrier functions (DCBFs) and linearized discrete-time high-order control barrier functions (DHOCBFs) to model the constraints associated with different driving behaviors, making the optimal optimization problem convex. Finally, we extensively validate our system using scenarios from a randomly synthetic dataset, demonstrating its capability to achieve speed benefits and assure safety simultaneously.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google