Risk-Aware Vehicle Trajectory Prediction Under Safety-Critical Scenarios

要約

インテリジェント車両が高度な自動運転を実現するためには、軌道予測が重要であり、近年、関連する研究成果が数多く発表されています。
急速な発展にもかかわらず、既存の研究のほとんどは、通常の安全なシナリオのみに焦点を当てており、安全性が重要なシナリオ、特に差し迫った衝突を伴うシナリオはほとんど無視されています。
この見落としにより、自動運転車はそのような状況において不可欠な予測能力を欠き、安全性に対する重大な脅威となる可能性があります。
これらに取り組むために、この文書では、安全性が重要なシナリオに合わせて調整された、リスクを意識した軌道予測フレームワークを提案します。
特有の危険な特徴を活用して、当社は 3 つの中核となるリスク認識コンポーネントを開発します。
まず、リスク組み込みシーン エンコーダを導入します。これは、従来のエンコーダに定量的なリスク情報を追加して、危険なシーン コンテキストのリスクを意識したエンコードを実現します。
次に、エンドポイントとリスクを組み合わせた意図クエリをデコーダの事前予測として組み込み、予測されるマルチモーダルな軌跡がさまざまな空間的意図とリスク レベルの両方を確実にカバーするようにします。
最後に、最終的なリスクを意識した予測を行うために、補助的なリスク予測タスクが実装されます。
さらに、モデルのトレーニングとパフォーマンス評価をサポートするために、セーフティクリティカルな軌道予測データセットとカスタマイズされた評価指標を導入します。
私たちは包括的な評価を実施し、私たちのモデルをいくつかの SOTA モデルと比較します。
結果は、ほとんどの指標が大幅に改善され、モデルの優れたパフォーマンスが実証されました。
この予測の進歩により、自動運転車は安全性が重要なシナリオ下で正しい衝突回避操作を実行できるようになり、最終的には道路交通の安全性が向上します。

要約(オリジナル)

Trajectory prediction is significant for intelligent vehicles to achieve high-level autonomous driving, and a lot of relevant research achievements have been made recently. Despite the rapid development, most existing studies solely focused on normal safe scenarios while largely neglecting safety-critical scenarios, particularly those involving imminent collisions. This oversight may result in autonomous vehicles lacking the essential predictive ability in such situations, posing a significant threat to safety. To tackle these, this paper proposes a risk-aware trajectory prediction framework tailored to safety-critical scenarios. Leveraging distinctive hazardous features, we develop three core risk-aware components. First, we introduce a risk-incorporated scene encoder, which augments conventional encoders with quantitative risk information to achieve risk-aware encoding of hazardous scene contexts. Next, we incorporate endpoint-risk-combined intention queries as prediction priors in the decoder to ensure that the predicted multimodal trajectories cover both various spatial intentions and risk levels. Lastly, an auxiliary risk prediction task is implemented for the ultimate risk-aware prediction. Furthermore, to support model training and performance evaluation, we introduce a safety-critical trajectory prediction dataset and tailored evaluation metrics. We conduct comprehensive evaluations and compare our model with several SOTA models. Results demonstrate the superior performance of our model, with a significant improvement in most metrics. This prediction advancement enables autonomous vehicles to execute correct collision avoidance maneuvers under safety-critical scenarios, eventually enhancing road traffic safety.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google