Autonomes Fahren mit Unsicherheiten in der Wahrnehmung: Auf einem Deep-Ensemble basierender adaptiver Tempomat

Concepts de base

Ein Deep-Ensemble von Regressoren schätzt die Entfernung zum Vorderfahrzeug aus RGB-Bildern und quantifiziert die Schätzunsicherheit, um einen stochastischen modellprädiktiven Regler für den adaptiven Tempomat zu ermöglichen, der die Sicherheit probabilistisch gewährleistet.

Résumé

In dieser Arbeit wird ein Ansatz für einen adaptiven Tempomat (ACC) entwickelt, der die Unsicherheiten in der Wahrnehmung durch den Einsatz eines Deep-Ensembles von Regressoren berücksichtigt. Das Deep-Ensemble schätzt die Entfernung zum Vorderfahrzeug aus RGB-Kamerabildern und quantifiziert gleichzeitig die Schätzunsicherheit. Diese Informationen werden dann in einem stochastischen modellprädiktiven Regler verwendet, um die Beschleunigung des Ego-Fahrzeugs so zu steuern, dass eine probabilistische Sicherheitsgarantie erreicht wird.

Der Ansatz besteht aus zwei Hauptkomponenten:

1. Deep-Ensemble für die Entfernungsschätzung: Das Deep-Ensemble umfasst mehrere neuronale Netze mit unterschiedlichen CNN-Architekturen als Bildencoder. Jedes Netz schätzt die Entfernung zum Vorderfahrzeug und die zugehörige Schätzunsicherheit aus den RGB-Bildern. Die Ensemble-Vorhersage ergibt eine Gaußverteilung für die Entfernung.
2. Stochastischer modellprädiktiver Regler für den ACC: Unter Verwendung der vom Deep-Ensemble gelieferten Entfernungsverteilung formuliert der Regler ein stochastisches modellprädiktives Optimierungsproblem. Dieses minimiert die Zielfunktion für Geschwindigkeitsverfolgung, Abstandshaltung und Fahrkomfort, während es die probabilistische Sicherheit durch Chance-Constraints gewährleistet.

Die Leistungsfähigkeit des Gesamtansatzes wird in Simulationsszenarien unter Verwendung eines hochgenauen Verkehrssimulators und realer Fahrzeugtrajektor-Datensätze nachgewiesen. Dabei zeigt sich, dass der Ansatz sowohl in Verteilungs-konformen als auch in Verteilungs-abweichenden Szenarien eine sichere Fahrweise ermöglicht.

Stats

Die Fahrzeuggeschwindigkeit liegt überwiegend im Bereich von 0 bis 34 m/s.
Die meisten Längsbeschleunigungen und -verzögerungen liegen im Bereich von -6 bis 6 m/s².
Der Großteil der Fahrzeugabstände liegt über 5 m, mit einer Relativgeschwindigkeit zwischen -5 und 5 m/s.

Citations

"Ein Deep-Ensemble von Regressoren schätzt die Entfernung zum Vorderfahrzeug aus RGB-Bildern und quantifiziert die Schätzunsicherheit, um einen stochastischen modellprädiktiven Regler für den adaptiven Tempomat zu ermöglichen, der die Sicherheit probabilistisch gewährleistet."
"Der Ansatz besteht aus zwei Hauptkomponenten: 1. Deep-Ensemble für die Entfernungsschätzung und 2. Stochastischer modellprädiktiver Regler für den ACC."

Idées clés tirées de

Autonomous Driving With Perception Uncertainties

by Xiao Li,H. E... à arxiv.org 03-26-2024

https://arxiv.org/pdf/2403.15577.pdf

Questions plus approfondies

Wie könnte der vorgestellte Ansatz für andere Fahrerassistenzsysteme wie Spurhalteassistenten oder Notbremsassistenten erweitert werden

Der vorgestellte Ansatz könnte für andere Fahrerassistenzsysteme wie Spurhalteassistenten oder Notbremsassistenten erweitert werden, indem das Deep-Ensemble dazu verwendet wird, die Umgebungswahrnehmung zu verbessern. Beispielsweise könnte das Ensemble eingesetzt werden, um die Spurmarkierungen zu erkennen und die Position des Fahrzeugs innerhalb der Fahrspur zu bestimmen. Für den Notbremsassistenten könnte das Ensemble Objekte auf der Fahrbahn identifizieren und ihre Bewegungen verfolgen, um potenzielle Kollisionen frühzeitig zu erkennen und entsprechend zu reagieren.

Welche Herausforderungen ergeben sich, wenn das Deep-Ensemble auch Objektklassifikation und -verfolgung übernehmen soll, um eine vollständigere Umgebungswahrnehmung zu ermöglichen

Die Erweiterung des Deep-Ensembles, um auch Objektklassifikation und -verfolgung zu übernehmen, um eine vollständigere Umgebungswahrnehmung zu ermöglichen, birgt einige Herausforderungen. Eine Herausforderung besteht darin, die Komplexität des Modells zu erhöhen, um die Vielzahl von Objekten in der Umgebung zu erfassen und zu verfolgen. Dies erfordert möglicherweise eine Anpassung der Architektur und eine sorgfältige Optimierung, um die Leistung und Effizienz des Systems zu gewährleisten. Darüber hinaus müssen die Unsicherheiten in der Objektklassifikation und -verfolgung genau quantifiziert werden, um fundierte Entscheidungen in Echtzeit treffen zu können.

Inwiefern könnte der Ansatz von einer Integration von Lidar- oder Radarsensorik profitieren, um die Wahrnehmungsunsicherheiten weiter zu reduzieren

Die Integration von Lidar- oder Radarsensorik in den Ansatz könnte dazu beitragen, die Wahrnehmungsunsicherheiten weiter zu reduzieren, insbesondere in Situationen mit schlechten Lichtverhältnissen oder bei der Erfassung von Objekten mit geringem Kontrast. Lidar- oder Radarsensoren können zusätzliche Informationen über die Umgebung liefern, die zur Verbesserung der Genauigkeit und Zuverlässigkeit der Wahrnehmung beitragen. Durch die Fusion von Daten aus verschiedenen Sensoren können die Stärken jedes Sensors genutzt werden, um ein umfassendes und zuverlässiges Bild der Umgebung zu erhalten. Dies könnte die Sicherheit und Leistungsfähigkeit des Fahrerassistenzsystems insgesamt verbessern.