Erlernen einer einheitlichen Risikokarte für autonomes Fahren in teilweise beobachtbaren Umgebungen

Zusammenfassung

Die okklusionsbewusste Vorhersage bleibt aufgrund der inhärenten Unsicherheit nicht beobachteter Bereiche eine zentrale Herausforderung im autonomen Fahren. Bestehende Ansätze überschätzen entweder das Risiko auf Basis erreichbarer Zustände oder haben Schwierigkeiten, genaue Trajektorien unter hoher Okklusionsunsicherheit vorherzusagen. Um diese Einschränkungen zu adressieren, schlagen wir ein einheitliches Rahmenwerk zur Modellierung und zum Lernen von Risikokarten für teilweise beobachtbare Umgebungen vor. Unsere Methode integriert Verkehrsflussrisiko und Kollisionsrisiko mittels raumzeitlicher Modellierung und ermöglicht so eine detaillierte Bewertung von okklusionsbedingten Gefahren. Um die Knappheit von Szenarien mit verdeckten Interaktionen zu adressieren, führen wir ein diffusionsbasiertes Szenariengenerierungsrahmenwerk ein, das realistische und dennoch adversariale Szenarien erzeugt. Wir integrieren die Modellierung und das Lernen einer einheitlichen Risikokarte in ein Rahmenwerk, das risikobewusste Planung unter teilweiser Beobachtbarkeit unterstützt. Experimente auf dem Waymo Open Motion Dataset zeigen, dass unsere Methode den aktuellen Stand der Technik der okklusionsbewussten Baseline deutlich übertrifft, indem sie die minimale Zeit bis zur Kollision um das 0,78-fache und die durchschnittliche Zeit bis zur Kollision um das 1,67-fache verbessert. Das vorgeschlagene Rahmenwerk bietet eine umfassende und praktische Lösung für risikobewusste Planung in teilweise beobachtbaren Umgebungen.

English

Occlusion-aware prediction remains a critical challenge in autonomous driving due to the inherent uncertainty of unobserved regions. Existing approaches either overestimate risk based on reachable states or struggle to predict accurate trajectories under high occlusion uncertainty. To address these limitations, we propose a unified risk map modeling and learning framework for partially observable environments. Our method integrates traffic flow risk and collision risk through spatiotemporal modeling, enabling fine-grained assessment of occlusion-induced hazards. To address the scarcity of scenarios involving occluded interactions, we introduce a diffusion-based scenario generation framework that produces realistic yet adversarial scenarios. We integrate the modeling and learning of a unified risk map into a framework that supports risk-aware planning under partial observability. Experiments on the Waymo Open Motion Dataset show that our method significantly outperforms the state-of-the-art occlusion-aware baseline, improving minimum time-to-collision by 0.78 times and average time-to-collision by 1.67 times. The proposed framework offers a comprehensive and practical solution for risk-aware planning in partially observable environments.