Diffusion-SAFE: Shared Autonomy Framework with Diffusion for Safe Human-to-Robot Driving Handover

要約

車両制御のための共有自治の安全な引き渡しは、現代の車両では確立されています。
ただし、事故を回避するには、多くの場合、数秒前にアクションが必要です。
これにより、衝突状態または安全でない状態が予測される場合、人間のドライバーの行動と、シームレスな介入のための専門家の制御戦略を理解する必要があります。
（1）潜在的なリスクの検出のための人間の運転行動を予測するために、拡散モデルを活用する閉ループ共有自律フレームワークである拡散セーフを提案します。
エンジニアリングスコア関数を使用して運転性能を評価する以前の作品とは異なり、私たちのアプローチにより、パフォーマンス評価とデモンストレーションからの最適なアクションシーケンス生成の両方が可能になります。
拡散ベースの副操縦士の前後のプロセスを調整することにより、我々の方法は、介入前にドライバーの行動を模倣することにより、制御権限の徐々に移行し、突然の買収を軽減し、スムーズな移行につながることにより、制御権限の徐々に移行します。
シミュレーション（Carracing-V0）と実世界（ROSベースのレースカー）の両方で拡散セーフを評価し、ヒト運転の類似性、安全性、計算効率を測定しました。
結果は、98.5％のハンドオーバー率が成功したことを示しており、人間のアクションを徐々に修正し、最適なロボットアクションを継続的にサンプリングする際のフレームワークの有効性を強調しています。

要約(オリジナル)

Safe handover in shared autonomy for vehicle control is well-established in modern vehicles. However, avoiding accidents often requires action several seconds in advance. This necessitates understanding human driver behavior and an expert control strategy for seamless intervention when a collision or unsafe state is predicted. We propose Diffusion-SAFE, a closed-loop shared autonomy framework leveraging diffusion models to: (1) predict human driving behavior for detection of potential risks, (2) generate safe expert trajectories, and (3) enable smooth handovers by blending human and expert policies over a short time horizon. Unlike prior works which use engineered score functions to rate driving performance, our approach enables both performance evaluation and optimal action sequence generation from demonstrations. By adjusting the forward and reverse processes of the diffusion-based copilot, our method ensures a gradual transition of control authority, by mimicking the drivers’ behavior before intervention, which mitigates abrupt takeovers, leading to smooth transitions. We evaluated Diffusion-SAFE in both simulation (CarRacing-v0) and real-world (ROS-based race car), measuring human-driving similarity, safety, and computational efficiency. Results demonstrate a 98.5\% successful handover rate, highlighting the framework’s effectiveness in progressively correcting human actions and continuously sampling optimal robot actions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google