Aprendizaje de un Mapa de Riesgo Unificado para la Conducción Autónoma en Entornos Parcialmente Observables

Resumen

La predicción consciente de oclusiones sigue siendo un desafío crítico en la conducción autónoma debido a la incertidumbre inherente de las regiones no observadas. Los enfoques existentes o sobreestiman el riesgo basándose en estados alcanzables o tienen dificultades para predecir trayectorias precisas bajo una alta incertidumbre de oclusión. Para abordar estas limitaciones, proponemos un marco unificado de modelado y aprendizaje de mapas de riesgo para entornos parcialmente observables. Nuestro método integra el riesgo de flujo de tráfico y el riesgo de colisión mediante modelado espacio-temporal, permitiendo una evaluación detallada de los peligros inducidos por oclusiones. Para abordar la escasez de escenarios que involucran interacciones ocluidas, introducimos un marco de generación de escenarios basado en difusión que produce escenarios realistas pero adversariales. Integramos el modelado y aprendizaje de un mapa de riesgo unificado en un marco que respalda la planificación consciente del riesgo bajo observabilidad parcial. Los experimentos en el conjunto de datos Waymo Open Motion muestran que nuestro método supera significativamente la línea base de última generación consciente de oclusiones, mejorando el tiempo mínimo hasta la colisión en 0,78 veces y el tiempo promedio hasta la colisión en 1,67 veces. El marco propuesto ofrece una solución integral y práctica para la planificación consciente del riesgo en entornos parcialmente observables.

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.