← 返回论文列表

在部分可观测环境中学习自动驾驶的统一风险地图
Learning A Unified Risk Map for Autonomous Driving in Partially Observable Environments

作者: Jie Jia, Yaofeng Su, Zeyu Bao 等7人
arXiv: 2605.22189v1
分类: cs.RO
📝 论文摘要
遮挡感知预测在自动驾驶中仍是一个关键挑战，原因在于未观测区域固有的不确定性。现有方法要么基于可达状态高估风险，要么在高遮挡不确定性下难以准确预测轨迹。为解决这些局限，我们提出了一种面向部分可观测环境的统一风险地图建模与学习框架。该方法通过时空建模融合交通流风险与碰撞风险，实现对遮挡引发危险的细粒度评估。针对遮挡交互场景稀缺的问题，我们引入了一种基于扩散的场景生成框架，能够生成真实且具有对抗性的场景。我们将统一风险地图的建模与学习整合到一个支持部分可观测条件下风险感知规划的框架中。在Waymo开放运动数据集上的实验表明，我们的方法显著优于最先进的遮挡感知基线，最小碰撞时间提升0.78倍，平均碰撞时间提升1.67倍。该框架为部分可观测环境下的风险感知规划提供了一种全面且实用的解决方案。

📊 核心分析

🎯 研究动机
- 自动驾驶中**遮挡感知预测(occlusion-aware prediction)** 面临关键挑战，未观测区域的固有不确定性导致现有方法性能不足 - 现有方法要么基于**可达状态(reachable states)** 高估风险，要么在高遮挡不确定性下难以预测准确轨迹 - 缺乏对遮挡引起危险的细粒度评估，且遮挡交互场景数据稀缺
🔧 核心方法
- 提出**统一风险图(unified risk map)** 建模与学习框架，针对部分可观测环境 - 通过**时空建模(spatiotemporal modeling)** 集成**交通流风险(traffic flow risk)** 和**碰撞风险(collision risk)**，实现遮挡危害的细粒度评估 - 引入**基于扩散的场景生成(diffusion-based scenario generation)** 框架，生成真实且对抗性场景，缓解遮挡交互样本稀缺问题 - 将统一风险图的建模与学习集成到单一框架中，支持**风险感知规划(risk-aware planning)**
💡 核心创新
- **首次提出统一风险图**：将交通流风险与碰撞风险通过**时空建模(spatiotemporal modeling)** 统一评估，提供比可达状态更细粒度的遮挡风险度量 - **创新性扩散生成框架**：针对遮挡交互场景稀缺，设计**扩散模型(diffusion model)** 生成真实且对抗性的场景，增强模型对高遮挡不确定性下的鲁棒性 - **端到端集成**：将风险图的建模、学习与规划集成在一个框架中，避免多阶段误差，实现部分可观测环境下的实用风险感知规划
🏆 总体贡献
- 在**Waymo开放运动数据集(Waymo Open Motion Dataset)** 上，相比现有最先进的遮挡感知基线，**最小碰撞时间(minimum time-to-collision)** 提升0.78倍，**平均碰撞时间(average time-to-collision)** 提升1.67倍 - 为自动驾驶在部分可观测环境下提供了一种**全面且实用的风险感知规划解决方案** - 推动了遮挡感知预测与规划的研究进展，解决了数据稀缺和风险评估不准确两大核心问题