Apprentissage d'une carte de risque unifiée pour la conduite autonome dans des environnements partiellement observables

Résumé

La prédiction tenant compte des occlusions reste un défi majeur pour la conduite autonome en raison de l'incertitude inhérente aux zones non observées. Les approches existantes soit surestiment le risque à partir des états accessibles, soit peinent à prédire des trajectoires précises sous une forte incertitude d'occlusion. Pour surmonter ces limitations, nous proposons un cadre unifié de modélisation et d'apprentissage de carte de risques pour les environnements partiellement observables. Notre méthode intègre le risque de flux de trafic et le risque de collision via une modélisation spatiotemporelle, permettant une évaluation fine des dangers induits par les occlusions. Afin de pallier la rareté des scénarios impliquant des interactions sous occlusion, nous introduisons un cadre de génération de scénarios basé sur la diffusion, produisant des scénarios réalistes et adverses. Nous intégrons la modélisation et l'apprentissage d'une carte de risques unifiée dans un cadre soutenant une planification consciente des risques en situation d'observabilité partielle. Les expériences menées sur le jeu de données Waymo Open Motion Dataset montrent que notre méthode surpasse significativement la référence de l'état de l'art en prédiction d'occlusion, avec une amélioration de 0,78 fois du temps minimal avant collision et de 1,67 fois du temps moyen avant collision. Le cadre proposé offre une solution complète et pratique pour la planification consciente des risques dans les environnements partiellement 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.