【清华大学】不确定性感知预测及其在自动驾驶规划中的应用：定义、方法和比较

【清华大学】不确定性感知预测及其在自动驾驶规划中的应用：定义、方法和比较

• 论文链接：https://arxiv.org/pdf/2403.02297.pdf

• 项目主页：https://swb19.github.io/UAP/

附赠自动驾驶最全的学习资料和量产经验：链接

摘要

本文介绍了不确定性感知预测及其在自动驾驶规划中的应用：定义、方法和比较。自动驾驶系统面临着在具有不确定性的复杂且动态的环境中导航的巨大挑战。本项研究提出了一种统一的预测和规划框架，其同时对短期偶然不确定性（SAU）、长期偶然不确定性（LAU）和认知不确定性（EU）进行建模，以预测并且为动态环境下的规划奠定坚实的基础。该框架使用高斯混合模型和深度集成方法来同时获取和评估SAU、LAU和EU，而传统方法无法同时集成这些不确定性。此外，考虑到各种不确定性，引入了不确定性感知规划。本研究的贡献包括将不确定性估计、风险建模和规划方法与现有方法的比较。本文使用CommonRoad基准对所提出的方法进行严格评估。这些实验表明了不同不确定性因素在自动驾驶过程中的优势和作用。此外，对各种不确定性建模策略的比较评估突出了对多种类型的不确定性进行建模的优势，从而提高了规划准确性和可靠性。本文所提出的框架有助于不确定性感知规划（UAP）方法的开发，并且超过了现有的不确定性风险模型，特别是在考虑不同交通场景时。

主要贡献

本文的主要贡献总结如下：

1）预测中三种类型不确定性的定义和建模：本文提出了一种新的集成网络架构，以同时建模预测中的SAU、LAU和EU的全部或者部分。这提高了预测的可靠性，并且为动态环境中的规划提供了更丰富的信息和更鲁棒的基础；

2）不确定性感知规划：本文提出了一种考虑各种不确定性的预测-规划框架。针对不同的不确定性设计专门的风险模型，使规划模块能够考虑多种不确定性因素。这确保了预测-规划系统有效运行，以应对动态且不确定的现实世界驾驶场景以及预测模块固有的潜在功能局限性；

3）分析各种不确定性及其在规划中的作用：根据所提出的预测-规划框架，本文设计了综合实验来比较不同不确定性、风险模型和UAP方法的优势，从而提供清晰且系统性的角度和启发。

论文图片和表格

总结

本项研究为自动驾驶系统中的不确定性预测和规划提供了一个全面的角度和比较。本文对预测中的不确定性进行系统性分析，包括SAU、LAU和EU，并且调研了它们的不确定性来源和建模方法。基于合理的建模，引入了一种统一的预测和规划框架。该框架有助于对不同不确定性及其组合进行风险建模，从而实现在复杂交通条件下的高效规划。这允许同时建模和考虑SAU、LAU和EU。通过这个框架，本文对各种不确定性和风险建模方法进行深入比较，包括很多具有代表性的现有方法。实验结果突出了将不确定性加入规划的优势，并且证明了当考虑多种不确定性来源时，系统性能得以提升。此外，所提出的框架有助于开发超越现有不确定性感知风险模型的UAP方法。总之，引入LAU和EU建模已经产生作用，提高了UAP在各种交通场景中的准确性和可靠性。今后的研究将着重于结合先进的自动驾驶技术和范式来完善不确定性建模，旨在改进复杂驾驶场景中的决策。