Introducing Risk Shadowing For Decisive and Comfortable Behavior Planning

要約

都市部の運転におけるグループ相互作用の問題を考察します。
自動運転車用の最先端の行動プランナーは、他のエージェントと衝突しないなど、自我エージェントにとって最適な行動を見つけるために、単一のエージェント間の相互作用をコスト関数で個別に考慮することがほとんどです。
この論文では、3 つのエージェント間のグループ相互作用を分析することで、単一の相互作用を超える状況理解手法であるリスク シャドウイングを開発します。
具体的には、提示された方法は、エゴエージェントの行動計画において考慮する必要がない最初の他のエージェントを見つけることができます。なぜなら、この最初の他のエージェントは、2番目の他のエージェントが邪魔をしているため、エゴエージェントに到達できないためです。
私たちは実験で、行動プランナーの上流フィルターモジュールとしてリスクシャドーイングを使用すると、安全性が確保されていると仮定すると、最新技術よりもより決定的で快適な運転戦略を計画できることを示しました。
このアプローチの有用性は、さまざまな交差点シナリオや縦方向の運転で実証されています。

要約(オリジナル)

We consider the problem of group interactions in urban driving. State-of-the-art behavior planners for self-driving cars mostly consider each single agent-to-agent interaction separately in a cost function in order to find an optimal behavior for the ego agent, such as not colliding with any of the other agents. In this paper, we develop risk shadowing, a situation understanding method that allows us to go beyond single interactions by analyzing group interactions between three agents. Concretely, the presented method can find out which first other agent does not need to be considered in the behavior planner of an ego agent, because this first other agent cannot reach the ego agent due to a second other agent obstructing its way. In experiments, we show that using risk shadowing as an upstream filter module for a behavior planner allows to plan more decisive and comfortable driving strategies than state of the art, given that safety is ensured in these cases. The usability of the approach is demonstrated for different intersection scenarios and longitudinal driving.

arxiv情報

著者 Tim Puphal,Julian Eggert
発行日 2023-07-20 09:16:01+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.RO, cs.SY, eess.SY パーマリンク