IR-STP：通过时空规划中的交互推理增强自动驾驶
机器人学
2024-02-19 v3
摘要
大量研究致力于开发运动规划算法，其构成自动驾驶系统（ADS）的基石。然而，由于规划中交互建模的复杂性，为 ADS 获取具交互性且安全的轨迹仍具挑战。现代规划方法仍对预测结果一视同仁，且仅依赖避碰策略，导致次优规划性能。为克服此局限，本文提出一种基于预测的自动驾驶交互式规划新框架。我们的方法通过定义交互条件与约束，将交互推理融入时空（s-t）规划。具体而言，其在前向搜索中为每个规划状态记录并持续更新交互关系。我们在 CommonRoad 环境中与最先进方法对比评估本方法。实验共含 232 个场景，涵盖预测结果精度、模态及规划器激进程度的变化。实验结果表明本方法有效且鲁棒：在 3 模态场景中碰撞次数减少约 17.6%，在单模态场景中距离完整度提升近 7.6%、失败率降低 31.7%。为供社区参考，代码见 https://github.com/ChenYingbing/IR-STP-Planner。
引用
@article{arxiv.2311.02850,
title = {IR-STP: Enhancing Autonomous Driving with Interaction Reasoning in Spatio-Temporal Planning},
author = {Yingbing Chen and Jie Cheng and Lu Gan and Sheng Wang and Hongji Liu and Xiaodong Mei and Ming Liu},
journal= {arXiv preprint arXiv:2311.02850},
year = {2024}
}
备注
12 pages, 10 figures, accepted by IEEE-TITS at this January