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

要約

効率は、特に緊急時のAVでは、自律車両（AVS）にとって重要です。
ただし、ほとんどの既存の方法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が必要とする明確な戦略を見落としています。
この論文では、アクティブおよび安全性の高いモーションプランニングシステム（IDEAM）を使用した統合された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、安全を念頭に置いて密な交通シナリオで積極的に効率を達成できるようにすることに焦点を当てています。
第一に、長期間の短期間のグラフ中心の意思決定（LSGM）と名付けられた速度中心の意思決定アルゴリズムが示されています。
LSGMは、複数のパス生成の条件付き深度検索（C-DFS）と、速度の増加とパス選択のリスク評価の方法で構成されており、高効率と安全性の考慮のための堅牢なアルゴリズムを提示します。
第二に、LSGMからの出力パスを使用すると、モーションプランナーは環境条件を再考し、最終計画段階の制約状態を決定します。その中には、レーンプロビング状態は、空間的および速度の優位性を積極的に達成するために設計されています。
第三に、最終的な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、安全性クリティカルなモーションプランナーは、異なる駆動式に関連する制約をモデル化するために、分離された離散制御バリア機能（DCBF）および線形化された離散時間高次制御バリア機能（DHOCBF）を使用します。
最後に、ランダムに合成データセットのシナリオを使用してシステムを広範囲に検証し、速度の利点を達成し、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