Conceitos Básicos
Eine Kombination aus einer tiefenlernbasierten Trajektorienvorhersage und einer risikobasierten Bewegungsplanung ermöglicht sicheres und effizientes autonomes Fahren in interaktiven Verkehrsszenarien.
Resumo
Die Studie präsentiert einen Ansatz, der eine umfassende Trajektorienvorhersage mit einer risikobasierten Bewegungsplanung kombiniert, um autonome Fahrzeuge in interaktiven Verkehrsszenarien sicher und effizient zu navigieren.
Der Kernpunkt ist ein Trajektorienvorhersagemodell namens TRTP, das alle möglichen Zielregionen berücksichtigt, die ein Fahrzeug in der Zukunft erreichen kann. Basierend auf den TRTP-Ergebnissen wird ein Risikopotenzialnetzwerk für zukünftige Zeitschritte erstellt. Dieses Risikopotenzialnetzwerk wird dann in die Zielfunktion eines modellprädiktiven Bahnregelungsverfahrens (MPCC) integriert, um eine ausgewogene Planung zwischen Sicherheit und Effizienz zu erreichen.
Die Autoren zeigen die Leistungsfähigkeit ihres Ansatzes durch qualitative und quantitative Experimente in verschiedenen Verkehrsszenarien wie ungeschützten Linksabbiegungen und Einfädelmanövern. Die Ergebnisse belegen, dass der Ansatz in der Lage ist, sichere und effiziente Trajektorien zu planen, ohne dabei übermäßig konservativ zu agieren.
Estatísticas
Die durchschnittliche Geschwindigkeit des Ego-Fahrzeugs beträgt 4,60 m/s in der ungeschützten Linksabbiegemanöver-Szene und 2,68 m/s in der Einfädelszene.
Die Kollisionsrate beträgt 0% in beiden Szenarien.
Citações
"Eine Kombination aus einer tiefenlernbasierten Trajektorienvorhersage und einer risikobasierten Bewegungsplanung ermöglicht sicheres und effizientes autonomes Fahren in interaktiven Verkehrsszenarien."
"Basierend auf den TRTP-Ergebnissen wird ein Risikopotenzialnetzwerk für zukünftige Zeitschritte erstellt. Dieses Risikopotenzialnetzwerk wird dann in die Zielfunktion eines modellprädiktiven Bahnregelungsverfahrens (MPCC) integriert, um eine ausgewogene Planung zwischen Sicherheit und Effizienz zu erreichen."