基于智能体未来学习模型对自动驾驶车辆进行快速风险评估
机器人学
2020-06-05 v2 机器学习
机器学习
摘要
本文提出快速的基于非采样的方法，用于在由深度神经网络（DNNs）生成的其他智能体未来概率预测时，评估自动驾驶车辆轨迹的风险。所提方法涵盖了广泛的不确定预测表示，包括针对智能体位置与控制的 Gaussian 与非 Gaussian 混合模型。我们表明，当学习得到智能体位置的 Gaussian 混合模型（GMMs）时，该风险评估问题可利用现有数值方法快速求解至任意精度。针对智能体位置的非 Gaussian 混合模型风险评估问题，我们提出使用切比雪夫不等式与平方和（SOS）规划来寻找风险的上界；二者均具意义，前者快得多，而后者可任意紧。这些方法仅需智能体位置的统计矩即可确定风险上界。为在针对智能体控制（而非位置）学习模型时执行风险评估，我们开发了 TreeRing，一种类比于多项式环上树搜索的算法，可用于通过非线性动力学将控制分布的矩精确传播至位置分布。所提方法在 Argoverse 与 CARLA 数据集上训练的 DNNs 的真实预测上进行了演示，并证明可有效快速评估低概率事件的概率。
引用
@article{arxiv.2005.13458,
title = {Fast Risk Assessment for Autonomous Vehicles Using Learned Models of Agent Futures},
author = {Allen Wang and Xin Huang and Ashkan Jasour and Brian Williams},
journal= {arXiv preprint arXiv:2005.13458},
year = {2020}
}
备注
To appear in Robotics: Science and Systems