面向语义材料感知障碍处理的知识图谱作为自主车辆的世界模型
人工智能
2025-03-28 v1
摘要
自主车辆(AVs)无法推断障碍物的材料属性限制了其决策能力。虽然AVs依赖相机、LiDAR和雷达等传感器系统检测障碍物，但本研究建议将传感器与知识图谱(KG)-基于的世界模型结合使用，以提高AVs对物理材料特性的理解。除了传感器数据，AVs可以利用描述障碍物及其属性之间关系的语义KG推断柔软度、密度和弹性等特性。使用CARLA自主驾驶模拟器，我们评估了AVs在集成KG与否下的性能。研究结果表明，KG-基于的方法改进了障碍物管理，使AVs能够利用材料特性在何时变线或应用紧急制动方面做出更好的决策。例如，KG集成AV对硬质障碍物如交通锥进行变线，并成功通过柔软物品如塑料袋避免碰撞。与对照系统相比，KG框架在处理障碍物方面表现出更好的响应性，通过解决传感器数据冲突，导致13.3%更多的情况触发紧急制动。此外，我们的方法在实验情景中尤其对于较大、高冲击障碍物的变线机动成功率提高了6.6%。虽然我们特别关注自动驾驶，但我们的工作表明了KG-基于的世界模型在改进具身AI系统的决策方面的潜力，并可扩展到包括机器人、医疗保健和环境仿真等其他领域。
引用
@article{arxiv.2503.21232,
title = {Knowledge Graphs as World Models for Semantic Material-Aware Obstacle Handling in Autonomous Vehicles},
author = {Ayush Bheemaiah and Seungyong Yang},
journal= {arXiv preprint arXiv:2503.21232},
year = {2025}
}