RiskMap：面向城市驾驶环境的统一驾驶上下文表示用于自主运动规划

运动规划是一项复杂的任务，需要综合感知、地图信息整合和预测，尤其是在拥堵的交通环境中更为如此。开发一种可视化传感器噪声且为实时规划任务提供基础的可扩展且高效表示方法是理想的。我们旨在开发一种可解释的地图表示，为规划任务提供驾驶成本的先验信息。通过这种方式，我们可以简化处理复杂驾驶情景的规划过程，并可视化传感器噪声。具体而言，我们提出了一种由深度神经网络赋能的统一上下文表示。该统一表示是一种可微分的风险场，这是一种关于交通参与者统计认知的解析表示，用于下游规划任务。我们将该表示方法称为RiskMap。采用基于抽样的规划器来训练和比较RiskMap的生成方法。本文探索了RiskMap生成工具和模型结构，结果表明我们的方法能够提高驾驶的安全性和顺畅性，同时也讨论了我们方法的局限性。