Importance Filtering with Risk Models for Complex Driving Situations

要約

自動運転車は、混雑した都市を移動する際に、大量のエージェントが存在する複雑な運転状況に直面します。
ただし、一部のエージェントは、実際には自動運転車の動作に影響を与えていません。
重要でないエージェントを除外することで、システムの動作または動作計画タスクが本質的に簡素化されます。
計画システムは、自我エージェントの最適な行動ソリューションを見つけるために、少数のエージェントに焦点を当てることができます。
これは、特に計算効率の点で役立ちます。
そこで本稿では、運転リスクモデルによる重要度フィルタリングの研究テーマを紹介する。
最先端のリスク モデルの概要を説明し、フィルタリング用に新たに採用されたリスク モデルを提示します。
周囲の重要でないエージェントを除外する能力は、大規模な実験で比較されます。
結局のところ、新しい軌道距離は、パフォーマンス、堅牢性、および効率のバランスが取れています。
結果に基づいて、複数のフィルター ステップを備えた新しいフィルター アーキテクチャをさらに導き出すことができます。この場合、各ステップでリスク モデルが推奨され、堅牢性がさらに向上します。
これにより、現在の行動計画システムが日常の運転における複雑な状況をより適切に解決できるようになると確信しています。

要約(オリジナル)

Self-driving cars face complex driving situations with a large amount of agents when moving in crowded cities. However, some of the agents are actually not influencing the behavior of the self-driving car. Filtering out unimportant agents would inherently simplify the behavior or motion planning task for the system. The planning system can then focus on fewer agents to find optimal behavior solutions for the ego~agent. This is helpful especially in terms of computational efficiency. In this paper, therefore, the research topic of importance filtering with driving risk models is introduced. We give an overview of state-of-the-art risk models and present newly adapted risk models for filtering. Their capability to filter out surrounding unimportant agents is compared in a large-scale experiment. As it turns out, the novel trajectory distance balances performance, robustness and efficiency well. Based on the results, we can further derive a novel filter architecture with multiple filter steps, for which risk models are recommended for each step, to further improve the robustness. We are confident that this will enable current behavior planning systems to better solve complex situations in everyday driving.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google