IR-STP: Enhancing Autonomous Driving with Interaction Reasoning in Spatio-Temporal Planning

要約

自動運転システム (ADS) の基礎を形成する動作計画アルゴリズムの開発には、多大な研究努力が費やされてきました。
ただし、ADS のインタラクティブで安全な軌道を取得することは、特に相互作用が非常に複雑なシナリオでは依然として困難な作業です。
現在の予測ベースの計画手法の多くは、インタラクション モデリングを見落とすことが多く、計画パフォーマンスの効率性が低下します。
この論文では、計画プロセス中の交通エンティティ間の相互作用を明示的かつ数学的にモデル化する、新しい予測ベースの対話型計画フレームワークを紹介します。
私たちの方法は、相互作用の条件と制約を定義することにより、相互作用推論を時空間 (s-t) 計画に組み込みます。
さらに、前方探索全体を通じて、各計画状態の相互作用関係を記録し、継続的に更新します。
私たちは、単一モードとマルチモードの両方のシナリオで行われた一連の実験を使用して、最先端の方法と並行してアプローチのパフォーマンスを評価します。
これらの実験には、予測結果の精度の変動と、プランナーの積極性のさまざまな程度が含まれます。
実験結果は、私たちの方法の有効性と堅牢性を実証し、自動運転のより広い分野に適用できる洞察をもたらします。
コミュニティの参考として、私たちのコードは https://github.com/ChenYingbing/IR-STP-Planner からアクセスできます。

要約(オリジナル)

Considerable research efforts have been devoted to the development of motion planning algorithms, which form a cornerstone of the autonomous driving system (ADS). However, obtaining an interactive and secure trajectory for the ADS remains a formidable task, especially in scenarios with significant interaction complexities. Many contemporary prediction-based planning methods frequently overlook interaction modeling, leading to less effective planning performance. This paper introduces a novel prediction-based interactive planning framework that explicitly and mathematically models interactions among traffic entities during the planning process. Our method incorporates interaction reasoning into spatio-temporal (s-t) planning by defining interaction conditions and constraints. Furthermore, it records and continually updates interaction relations for each planned state throughout the forward search. We assess the performance of our approach alongside state-of-the-art methods using a series of experiments conducted in both single and multi-modal scenarios. These experiments encompass variations in the accuracy of prediction outcomes and different degrees of planner aggressiveness. The experimental findings demonstrate the effectiveness and robustness of our method, yielding insights applicable to the wider field of autonomous driving. For the community’s reference, our code is accessible at https://github.com/ChenYingbing/IR-STP-Planner.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google