부분 관측 가능 환경에서 자율주행을 위한 통합 위험 지도 학습

초록

가려짐 인식 예측은 관찰되지 않은 영역의 내재적 불확실성으로 인해 자율 주행에서 여전히 중요한 과제로 남아 있다. 기존 접근법들은 도달 가능한 상태에 기반하여 위험을 과대평가하거나 높은 가려짐 불확실성 하에서 정확한 궤적을 예측하는 데 어려움을 겪는다. 이러한 한계를 해결하기 위해, 우리는 부분적으로 관찰 가능한 환경을 위한 통합된 위험 지도 모델링 및 학습 프레임워크를 제안한다. 본 방법은 시공간 모델링을 통해 교통 흐름 위험과 충돌 위험을 통합하여 가려짐으로 인한 위험을 세밀하게 평가할 수 있게 한다. 가려진 상호작용이 포함된 시나리오의 부족 문제를 해결하기 위해, 우리는 현실적이면서도 적대적인 시나리오를 생성하는 확산 기반 시나리오 생성 프레임워크를 도입한다. 통합된 위험 지도의 모델링과 학습을 부분적 관찰 가능성 하에서 위험 인식 계획을 지원하는 하나의 프레임워크로 통합한다. Waymo Open Motion Dataset 실험 결과, 우리의 방법은 최신 가려짐 인식 기준선보다 현저히 우수한 성능을 보여주며, 최소 충돌 시간을 0.78배, 평균 충돌 시간을 1.67배 개선하였다. 제안된 프레임워크는 부분적으로 관찰 가능한 환경에서 위험 인식 계획을 위한 포괄적이고 실용적인 솔루션을 제공한다.

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.