[论文解读] Autonomous Driving Strategies at Intersections: Scenarios, State-of-the-Art, and Future Outlooks

Lianzhen Wei, Zirui Li+3 more|arXiv (Cornell University)|Jun 24, 2021

Autonomous Vehicle Technology and Safety参考文献 79被引用 10

一句话总结

本文全面综述了交叉路口自动驾驶策略，分析了常见交叉路口场景、仿真平台、数据集以及最先进方法。论文对现有策略进行分类，识别关键局限性，并提出未来研究方向，以提升复杂城市交通环境中自动驾驶的安全性、效率和鲁棒性。

ABSTRACT

Due to the complex and dynamic character of intersection scenarios, the autonomous driving strategy at intersections has been a difficult problem and a hot point in the research of intelligent transportation systems in recent years. This paper gives a brief summary of state-of-the-art autonomous driving strategies at intersections. Firstly, we enumerate and analyze common types of intersection scenarios, corresponding simulation platforms, as well as related datasets. Secondly, by reviewing previous studies, we have summarized characteristics of existing autonomous driving strategies and classified them into several categories. Finally, we point out problems of the existing autonomous driving strategies and put forward several valuable research outlooks.

研究动机与目标

• 系统性地对与自动驾驶相关的常见交叉路口场景进行分类与分析。
• 基于技术方法和性能特征，回顾并分类现有自动驾驶策略。
• 识别当前策略在安全性、适应性和实际部署方面存在的关键局限性。
• 提出可操作的未来研究方向，以推动智能交通系统中交叉路口自动驾驶的发展。

提出的方法

• 基于交通流、信号控制和几何复杂度，对交叉路口场景进行识别与分类。
• 回顾并整合近期文献中的现有自动驾驶策略，按规则驱动、学习驱动和混合方法等类别进行归纳。
• 评估用于交叉路口研究的仿真平台（如 CARLA、SUMO）和数据集（如 nuScenes、BDD100K）。
• 分析技术挑战，包括不确定性处理、多智能体协同以及在动态条件下实现实时决策。
• 综合分析各研究中使用的性能指标和基准测试标准，以比较不同策略。
• 通过对比分析方法论和环境假设，识别当前研究中的空白。

实验结果

研究问题

• RQ1 自动驾驶研究中遇到的主要交叉路口场景类型有哪些？
• RQ2 现有自动驾驶策略在设计原则和性能权衡方面有何差异？
• RQ3 当前交叉路口自动驾驶策略中存在哪些最显著的局限性？
• RQ4 在交叉路口自动驾驶研究中，最常使用的仿真平台和数据集有哪些？
• RQ5 为提升自动驾驶交叉路口导航的安全性和可扩展性，未来研究的关键方向是什么？

主要发现

• 交叉路口场景高度多样化，涵盖信号控制与非信号控制场景，并涉及与行人、自行车和其它车辆的复杂交互。
• 现有策略主要分为规则驱动、学习驱动和混合方法三类，各类在适应性和鲁棒性方面具有不同的优势与局限。
• 仿真平台如 CARLA 和 SUMO 广泛使用，而 nuScenes 和 BDD100K 等数据集为训练与评估提供了关键数据支持。
• 当前策略的主要局限性在于高不确定性与动态交互条件下的泛化能力差，尤其在非结构化或低信号环境。
• 各研究之间缺乏标准化的基准和评估协议，阻碍了公平比较与进展衡量。
• 未来研究应聚焦于提升多智能体协同能力、不确定性下的实时决策能力，以及可解释人工智能在安全关键场景部署中的集成。