克服黑暗恐惧：基于风险场的自动驾驶车辆遮挡感知模型预测规划
机器人学
2023-09-28 v1 最优化与控制
摘要
随着车辆自动化的发展，运动规划算法在实现安全高效导航方面面临日益严峻的挑战。现有的高级驾驶辅助系统（ADAS）主要聚焦于基础任务，将意外场景留给易出错的人工干预。当前最先进的高级别自动化运动规划方法主要倾向于使用风险或防碰撞约束，通过对其他道路使用者形状和尺寸的外近似来避免碰撞。然而，这些方法存在行为保守以及在高风险初始条件下不可行的风险。相比之下，我们的工作提出了一种新颖的多目标轨迹生成方法。我们提出了一种构建风险场的创新方法，可适应不同实体的形状与尺寸，从而也能考虑潜在被遮挡物体的存在。该方法被集成到一个遮挡感知轨迹生成器中，能够在复杂环境中进行动态且安全的机动，同时预判（可能隐藏的）道路使用者并沿基础设施驶向特定目标。通过理论支撑与仿真，我们验证了方法的有效性。本文弥合了自动驾驶车辆运动规划中的关键空白，为复杂城市环境下更安全、更具适应性的自主导航提供了路径。
引用
@article{arxiv.2309.15501,
title = {Overcoming the Fear of the Dark: Occlusion-Aware Model-Predictive Planning for Automated Vehicles Using Risk Fields},
author = {Chris van der Ploeg and Truls Nyberg and José Manuel Gaspar Sánchez and Emilia Silvas and Nathan van de Wouw},
journal= {arXiv preprint arXiv:2309.15501},
year = {2023}
}
备注
Submitted to the IEEE Transactions on Intelligent Transportation Systems (T-ITS); 14 pages, 11 figures, 1 tables