[論文レビュー] Joint Belief and Intent Prediction for Collision Avoidance in Autonomous Vehicles

Alan J. Hamlet, Carl D. Crane|arXiv (Cornell University)|Mar 31, 2015

Autonomous Vehicle Technology and Safety参考文献 12被引用数 3

ひとこと要約

本論文は、動的ベイジアンネットワークとパーティクルフィルタを用いて、都市交差点における障害物車両の意図と信念を同時に推論する認知的ドライブフレームワークを提案する。意図と誤った信念の両方をモデル化することで、システムは98％の確率で衝突を予測することができ、反応型プランナーよりも顕著に優れた性能を示し、近い衝突の47％しか回避できない。

ABSTRACT

This paper describes a novel method for allowing an autonomous ground vehicle to predict the intent of other agents in an urban environment. This method, termed the cognitive driving framework, models both the intent and the potentially false beliefs of an obstacle vehicle. By modeling the relationships between these variables as a dynamic Bayesian network, filtering can be performed to calculate the intent of the obstacle vehicle as well as its belief about the environment. This joint knowledge can be exploited to plan safer and more efficient trajectories when navigating in an urban environment. Simulation results are presented that demonstrate the ability of the proposed method to calculate the intent of obstacle vehicles as an autonomous vehicle navigates a road intersection such that preventative maneuvers can be taken to avoid imminent collisions.

研究の動機と目的

• 障害物の意図だけでなく、環境に関する誤った信念までモデル化することで、自律走行車両の衝突回避を向上させること。
• 反応型プランニングや意図のみを予測する手法の限界を克服し、動的交通状況における信念に基づく意思決定を考慮すること。
• 非線形で連続状態の推論フレームワークを用いて、意図と信念を同時に推定することで、早期の衝突予測を可能にすること。
• 誤った信念をモデル化することで、複雑な都市環境におけるより安全で効率的な軌道計画が可能になること。
• 確率的障害物行動とセンサーのノイズを含む現実的な交差点走行シナリオで、手法の妥当性を検証すること。

提案手法

• システムは、状態遷移が意図と信念に依存する動的ベイジアンネットワーク（DBN）を用いて、自車両と障害物車両の連合状態をモデル化する。
• 車両の運動は、状態、制御入力、プロセスノイズの非線形関数として表現され、自車両の制御は既知の状態と意図に基づく。
• 障害物車両の制御は、自車両に関する自車両の状態、信念、および意図の関数としてモデル化され、信念依存の行動を反映する。
• パーティクルフィルタを用いてDBN上で非線形フィルタリングを実行し、意図と信念の事後分布を同時に推定する。
• 信念状態は、遮蔽や知覚エラーを反映して自車両の位置のノイズのある推定値としてモデル化される。
• 各意図（例：左折、進行）に対して手動で調整されたパスフォローリングコントローラを備えた有限状態機械と、譲るか進行するかを確率的に決定するモデルを統合する。

実験結果

リサーチクエスチョン

• RQ1 障害物車両の意図と信念を同時に推論することで、自律走行車両の都市部ナビゲーションにおける早期衝突予測が向上するか？
• RQ2 空間の利用可能状況を誤って判断したり、接近する交通を無視したりするような誤った信念をモデル化すると、衝突回避性能にどのような影響を与えるか？
• RQ3 提案された認知的ドライブフレームワークは、純粋な反応型プランニングに比べて、どの程度衝突回避率で優れているか？
• RQ4 パーティクルフィルタは、非線形で連続状態空間における意図と信念の連合事後分布推定にどの程度有効に機能するか？
• RQ5 センサーのノイズや遅延した知覚が、信念推定の正確さおよびその後の衝突回避に与える影響は何か？

主な発見

• 認知的ドライブフレームワークは、シミュレーションで98％の衝突を予測したのに対し、純粋な反応型プランナーでは47％にとどまった。
• システムは417件の真の直近衝突シナリオをすべて検出（100％再現率）したが、障害物車両の最後一刻のブレーキングによる誤検出が13件あった。
• CDFは反応型プランニングと比較して衝突発生件数を75％削減し、顕著な安全性の向上を示した。
• パーティクルフィルタは、非線形で連続状態空間において意図と信念の連合事後分布を効果的に推定し、正確な長期予測を可能にした。
• 障害物車両が環境について誤った信念を持っていた場合でも、自車両が十分に早期に回避ブレーキを発動でき、衝突を回避できた。
• センサーのノイズや確率的障害物行動（例：左折確率75％）を含む現実的な条件下でも、フレームワークの性能は頑健であった。