Het leren van een geïntegreerde risicokaart voor autonoom rijden in gedeeltelijk waarneembare omgevingen

Samenvatting

Occlusiebewuste voorspelling blijft een kritieke uitdaging in autonoom rijden vanwege de inherente onzekerheid van niet-waargenomen gebieden. Bestaande benaderingen overschatten ofwel het risico op basis van bereikbare toestanden, of hebben moeite met het voorspellen van nauwkeurige trajecten onder hoge occlusieonzekerheid. Om deze beperkingen aan te pakken, stellen we een uniform raamwerk voor risicokaartmodellering en -leren voor gedeeltelijk waarneembare omgevingen voor. Onze methode integreert verkeersstroomrisico en botsingsrisico door middel van ruimtelijk-temporele modellering, wat een fijnmazige beoordeling van door occlusie veroorzaakte gevaren mogelijk maakt. Om de schaarste aan scenario's met occlusie-interacties aan te pakken, introduceren we een diffusiegebaseerd scenariogeneratie raamwerk dat realistische maar tegelijkertijd adversariële scenario's produceert. We integreren de modellering en het leren van een uniforme risicokaart in een raamwerk dat risicobewuste planning onder gedeeltelijke waarneembaarheid ondersteunt. Experimenten op de Waymo Open Motion Dataset tonen aan dat onze methode significant beter presteert dan de state-of-the-art occlusiebewuste basislijn, met een verbetering van de minimale tijd-tot-botsing met een factor 0,78 en de gemiddelde tijd-tot-botsing met een factor 1,67. Het voorgestelde raamwerk biedt een uitgebreide en praktische oplossing voor risicobewuste planning in gedeeltelijk waarneembare omgevingen.

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.