Обучение единой карты рисков для автономного вождения в частично наблюдаемых средах

Аннотация

Предсказание с учетом окклюзий остается критической проблемой в автономном вождении из-за присущей неопределенности ненаблюдаемых областей. Существующие подходы либо переоценивают риск на основе достижимых состояний, либо испытывают трудности с прогнозированием точных траекторий в условиях высокой неопределенности окклюзий. Для преодоления этих ограничений мы предлагаем единый фреймворк моделирования и обучения карты рисков для частично наблюдаемых сред. Наш метод интегрирует риск транспортного потока и риск столкновения посредством пространственно-временного моделирования, что обеспечивает детальную оценку опасностей, вызванных окклюзиями. Для решения проблемы нехватки сценариев, включающих взаимодействия с окклюзиями, мы представляем фреймворк генерации сценариев на основе диффузии, который создает реалистичные, но при этом состязательные сценарии. Мы интегрируем моделирование и обучение единой карты рисков в фреймворк, поддерживающий планирование с учетом риска в условиях частичной наблюдаемости. Эксперименты на наборе данных Waymo Open Motion показывают, что наш метод значительно превосходит современный базовый метод с учетом окклюзий, улучшая минимальное время до столкновения в 0,78 раза и среднее время до столкновения в 1,67 раза. Предложенный фреймворк предлагает всестороннее и практическое решение для планирования с учетом риска в частично наблюдаемых средах.

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.