BoT-Drive: Hierarchical Behavior and Trajectory Planning for Autonomous Driving using POMDPs

要約

動的な道路環境の不確実性は、自動運転における動作と軌道計画に重大な課題をもたらします。
この論文では、部分的に観察可能なマルコフ決定プロセス (POMDP) フレームワーク内の動作レベルと軌道レベルの両方で不確実性に対処する計画アルゴリズムである BoT-Drive を紹介します。
BoT-Drive はドライバー モデルを採用して未知の行動意図を特徴付け、そのモデル パラメーターを利用して隠れた運転スタイルを推測します。
BoT-Drive は、ドライバー モデルを自動運転車の意思決定アクションとしても扱うことで、POMDP に固有の指数関数的な複雑さに効果的に取り組みます。
安全性と堅牢性を強化するために、プランナーはさらに重要度サンプリングを適用して、計画された高レベルの動作に基づいて条件付けされた運転軌道を調整します。
実世界データの評価では、BoT-Drive が通常の複雑な都市部の運転シーンにおいて、既存の計画手法と学習ベースの手法の両方を常に上回っており、運転の安全性と信頼性が大幅に向上していることが示されています。

要約(オリジナル)

Uncertainties in dynamic road environments pose significant challenges for behavior and trajectory planning in autonomous driving. This paper introduces BoT-Drive, a planning algorithm that addresses uncertainties at both behavior and trajectory levels within a Partially Observable Markov Decision Process (POMDP) framework. BoT-Drive employs driver models to characterize unknown behavioral intentions and utilizes their model parameters to infer hidden driving styles. By also treating driver models as decision-making actions for the autonomous vehicle, BoT-Drive effectively tackles the exponential complexity inherent in POMDPs. To enhance safety and robustness, the planner further applies importance sampling to refine the driving trajectory conditioned on the planned high-level behavior. Evaluation on real-world data shows that BoT-Drive consistently outperforms both existing planning methods and learning-based methods in regular and complex urban driving scenes, demonstrating significant improvements in driving safety and reliability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google