Aprendizagem de um Mapa de Risco Unificado para Condução Autônoma em Ambientes Parcialmente Observáveis

Resumo

A previsão ciente de oclusão continua sendo um desafio crítico na condução autônoma devido à incerteza inerente das regiões não observadas. Abordagens existentes ou superestimam o risco com base em estados alcançáveis ou têm dificuldade em prever trajetórias precisas sob alta incerteza de oclusão. Para superar essas limitações, propomos uma estrutura unificada de modelagem e aprendizado de mapa de risco para ambientes parcialmente observáveis. Nosso método integra o risco de fluxo de tráfego e o risco de colisão por meio de modelagem espaço-temporal, permitindo uma avaliação refinada dos perigos induzidos por oclusão. Para abordar a escassez de cenários envolvendo interações ocluídas, introduzimos uma estrutura de geração de cenários baseada em difusão que produz cenários realistas, porém adversariais. Integramos a modelagem e o aprendizado de um mapa de risco unificado em uma estrutura que suporta planejamento ciente de risco sob observabilidade parcial. Experimentos no Waymo Open Motion Dataset mostram que nosso método supera significativamente a linha de base estado-da-arte ciente de oclusão, melhorando o tempo mínimo até a colisão em 0,78 vezes e o tempo médio até a colisão em 1,67 vezes. A estrutura proposta oferece uma solução abrangente e prática para planejamento ciente de risco em ambientes parcialmente observáveis.

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.