Occlusion-Aware Contingency Safety-Critical Planning for Autonomous Vehicles

要約

動的および閉塞された環境で自動運転車の旅行効率を維持しながら安全な運転を確保することは、重大な課題です。
このペーパーでは、このような環境でのリアルタイムの自律運転のための咬合を意識した偶発的偶発性安全性の批判的な計画アプローチを提案します。
リスク評価のリーチビリティ分析を活用し、閉塞性ファントム車両の前方に到達可能なセットが計算され、動的速度境界が定量化されます。
これらの速度境界は、バイコンベックスの非線形プログラミング（NLP）の定式化に組み込まれ、後退地平線計画フレームワーク内で探査とフォールバックの軌跡の同時最適化を可能にします。
リアルタイムの最適化を促進し、軌道間の調整を確保するために、コンセンサス交互方向の乗数（ADMM）を使用して、バイコンベックスNLP問題を低次元の凸のサブ問題に分解します。
提案されたアプローチの有効性は、閉塞された交差点でのシミュレーション研究と実際の実験を通じて検証されます。
実験結果は、安全性の向上と移動効率の向上を示し、さまざまな障害物条件下での動的閉塞交差でリアルタイムの安全な軌道生成を可能にします。
実験結果を紹介するビデオは、https：//youtu.be/chayg7nchqmで入手できます。

要約(オリジナル)

Ensuring safe driving while maintaining travel efficiency for autonomous vehicles in dynamic and occluded environments is a critical challenge. This paper proposes an occlusion-aware contingency safety-critical planning approach for real-time autonomous driving in such environments. Leveraging reachability analysis for risk assessment, forward reachable sets of occluded phantom vehicles are computed to quantify dynamic velocity boundaries. These velocity boundaries are incorporated into a biconvex nonlinear programming (NLP) formulation, enabling simultaneous optimization of exploration and fallback trajectories within a receding horizon planning framework. To facilitate real-time optimization and ensure coordination between trajectories, we employ the consensus alternating direction method of multipliers (ADMM) to decompose the biconvex NLP problem into low-dimensional convex subproblems. The effectiveness of the proposed approach is validated through simulation studies and real-world experiments in occluded intersections. Experimental results demonstrate enhanced safety and improved travel efficiency, enabling real-time safe trajectory generation in dynamic occluded intersections under varying obstacle conditions. A video showcasing the experimental results is available at https://youtu.be/CHayG7NChqM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google