RiskNet: Interaction-Aware Risk Forecasting for Autonomous Driving in Long-Tail Scenarios

要約

特に高い不確実性と複雑なマルチエージェント相互作用の下で、ロングテールシナリオでの自動運転車（AVS）の安全性を確保することは依然として重要な課題です。
これに対処するために、包括的なリスク評価のために、決定論的リスクモデリングと確率的行動予測を統合する、相互作用を認識するリスク予測フレームワークであるRiskNetを提案します。
そのコアでは、RiskNetは、相互作用フィールドと力を介して、エゴ車両、周囲のエージェント、およびインフラストラクチャ間の相互作用をキャプチャするフィールド理論モデルを採用しています。
このモデルは、多様なシナリオ（高速道路、交差点、およびラウンドアバウト）にわたる多次元リスク評価をサポートし、高リスクと長期の設定で堅牢性を示します。
行動の不確実性をキャプチャするために、マルチモーダルの将来の動き分布を学習するグラフニューラルネットワーク（GNN）ベースの軌道予測モジュールを組み込みます。
決定論的なリスクフィールドと相まって、時間の間に動的で確率的リスク推論を可能にし、不確実性の下で積極的な安全性評価を可能にします。
Laneの変化、ターン、および複雑な合併に及ぶHighD、Ind、およびラウンドのデータセットの評価は、精度、TTC、THW、RSS、NCフィールドなど）の精度、応答性、方向感受性の観点から、メソッドが従来のアプローチ（TTC、THW、RSS、NCフィールド）を大幅に上回ることを示しています。
このフレームワークは、リアルタイムのシナリオ適応リスク予測をサポートし、不確実な運転環境全体で強力な一般化を実証します。
長期尾のシナリオで、安全性が重要な意思決定のための統一された基盤を提供します。

要約(オリジナル)

Ensuring the safety of autonomous vehicles (AVs) in long-tail scenarios remains a critical challenge, particularly under high uncertainty and complex multi-agent interactions. To address this, we propose RiskNet, an interaction-aware risk forecasting framework, which integrates deterministic risk modeling with probabilistic behavior prediction for comprehensive risk assessment. At its core, RiskNet employs a field-theoretic model that captures interactions among ego vehicle, surrounding agents, and infrastructure via interaction fields and force. This model supports multidimensional risk evaluation across diverse scenarios (highways, intersections, and roundabouts), and shows robustness under high-risk and long-tail settings. To capture the behavioral uncertainty, we incorporate a graph neural network (GNN)-based trajectory prediction module, which learns multi-modal future motion distributions. Coupled with the deterministic risk field, it enables dynamic, probabilistic risk inference across time, enabling proactive safety assessment under uncertainty. Evaluations on the highD, inD, and rounD datasets, spanning lane changes, turns, and complex merges, demonstrate that our method significantly outperforms traditional approaches (e.g., TTC, THW, RSS, NC Field) in terms of accuracy, responsiveness, and directional sensitivity, while maintaining strong generalization across scenarios. This framework supports real-time, scenario-adaptive risk forecasting and demonstrates strong generalization across uncertain driving environments. It offers a unified foundation for safety-critical decision-making in long-tail scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google