Safe and Real-Time Consistent Planning for Autonomous Vehicles in Partially Observed Environments via Parallel Consensus Optimization

要約

安全性と運転の一貫性を確保することは、部分的に監視された環境で動作する自動運転車にとって重要な課題です。
この研究では、知覚が不確実な障害物が密集した環境での安全で一貫した運転を可能にする、一貫した平行軌道最適化 (CPTO) アプローチを導入しています。
離散時間バリア関数理論を利用して、潜在的な障害物構成を横切る時空間軌道空間内で信頼性の高い安全範囲を確保するコンセンサス安全バリア モジュールを開発します。
これに続いて、計算を高速化するために一連の低次元二次計画問題への分解を容易にする両凸平行軌道最適化問題が導出されます。
並列最適化にコンセンサス交互方向乗算器法 (ADMM) を活用することで、生成された各候補軌道は、共通のコンセンサス軌道セグメントを共有しながら、可能な環境構成に対応します。
これにより、自車両のコンセンサス軌道セグメントをリアルタイムで実行する際の運転の安全性と一貫性が確保されます。
私たちは、部分的に観測可能な環境における複数の運転タスクにわたる最先端のベースラインとの広範な比較を通じて、CPTO フレームワークを検証します。
私たちの結果は、合成交通データセットと現実世界の交通データセットの両方を使用して、安全性と一貫性が向上していることを示しています。

要約(オリジナル)

Ensuring safety and driving consistency is a significant challenge for autonomous vehicles operating in partially observed environments. This work introduces a consistent parallel trajectory optimization (CPTO) approach to enable safe and consistent driving in dense obstacle environments with perception uncertainties. Utilizing discrete-time barrier function theory, we develop a consensus safety barrier module that ensures reliable safety coverage within the spatiotemporal trajectory space across potential obstacle configurations. Following this, a bi-convex parallel trajectory optimization problem is derived that facilitates decomposition into a series of low-dimensional quadratic programming problems to accelerate computation. By leveraging the consensus alternating direction method of multipliers (ADMM) for parallel optimization, each generated candidate trajectory corresponds to a possible environment configuration while sharing a common consensus trajectory segment. This ensures driving safety and consistency when executing the consensus trajectory segment for the ego vehicle in real time. We validate our CPTO framework through extensive comparisons with state-of-the-art baselines across multiple driving tasks in partially observable environments. Our results demonstrate improved safety and consistency using both synthetic and real-world traffic datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google