部分観測環境における自動運転のための統合リスクマップの学習

要旨

オクルージョン対応予測は、未観測領域の本質的な不確実性により、自動運転における重要な課題であり続けている。既存のアプローチは、到達可能な状態に基づいてリスクを過大評価するか、高いオクルージョンの不確実性のもとで正確な軌跡を予測することに苦慮している。これらの限界に対処するため、我々は部分観測環境に対する統一リスクマップのモデリングと学習フレームワークを提案する。本手法は、時空間モデリングを通じて交通流リスクと衝突リスクを統合し、遮蔽によって引き起こされる危険性の詳細な評価を可能にする。遮蔽されたインタラクションを含むシナリオの不足に対処するため、現実的でありながら敵対的なシナリオを生成する拡散ベースのシナリオ生成フレームワークを導入する。統一リスクマップのモデリングと学習を、部分観測下でのリスク認識計画をサポートするフレームワークに統合する。Waymo Open Motion Datasetでの実験により、本手法が最先端のオクルージョン対応ベースラインを大幅に上回り、最小衝突時間を0.78倍、平均衝突時間を1.67倍改善することが示された。提案フレームワークは、部分観測環境におけるリスク認識計画のための包括的かつ実用的なソリューションを提供する。

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.