[论文解读] Integrating Planning and Interpretable Goal Recognition for Autonomous Driving.

Stefano V. Albrecht, Cillian Brewitt+4 more|arXiv (Cornell University)|Feb 6, 2020

Autonomous Vehicle Technology and Safety参考文献 26被引用 4

一句话总结

本文提出了一种用于自动驾驶的集成规划与可解释目标识别系统，采用理性逆向规划推断其他车辆的目标，并利用蒙特卡洛树搜索（MCTS）为本车生成近似最优且可解释的驾驶行为。通过共享一组预定义的驾驶动作，该系统确保了规划的合理性，并为城市驾驶场景中的预测与决策提供了直观的解释。

ABSTRACT

The ability to predict the intentions and driving trajectories of other vehicles is a key problem for autonomous driving. We propose an integrated planning and prediction system which leverages the computational benefit of using a finite space of maneuvers, and extend the approach to planning and prediction of sequences (plans) of maneuvers via rational inverse planning to recognise the goals of other vehicles. Goal recognition informs a Monte Carlo Tree Search (MCTS) algorithm to plan optimal maneuvers for the ego vehicle. Inverse planning and MCTS utilise a shared set of defined maneuvers to construct plans which are explainable by means of rationality, i.e. plans are optimal in given metrics. Evaluation in simulations of four urban driving scenarios demonstrate the system's ability to robustly recognise the goals of other vehicles while generating near-optimal plans. In each scenario we extract intuitive explanations for the recognised goals and maneuver predictions which justify the system's decisions.

研究动机与目标

• 通过结合规划与目标识别，提升自动驾驶中对其他车辆意图与轨迹的预测能力。
• 解决基于周围智能体推断目标而生成可解释、合理的本车驾驶行为的挑战。
• 通过规划与预测中共享的驾驶动作空间，在复杂城市驾驶场景中实现稳健的目标识别。
• 通过逆向规划，为驾驶行为预测与本车决策提供直观且合乎逻辑的解释。
• 在仿真环境中评估系统在生成近似最优规划的同时保持可解释性的性能。

提出的方法

• 以有限组预定义的驾驶动作为规划与预测的基础，确保一致性与可解释性。
• 采用理性逆向规划，通过识别最可能使观测行为达到最优的目标，推断其他车辆的目标。
• 将目标识别结果整合进蒙特卡洛树搜索（MCTS）框架，以规划本车的最优行为。
• 通过在定义指标下进行优化，确保所有规划均具合理性，使系统决策可通过最优性加以解释。
• 将规划表示为一系列驾驶动作的序列，从而能够预测复杂的驾驶行为序列，而非单一动作。
• 通过在逆向规划与MCTS之间共享表示，保持系统一致性并降低计算开销。

实验结果

研究问题

• RQ1 理性逆向规划能否在多样化城市驾驶场景中有效识别其他车辆的目标？
• RQ2 该系统在利用目标识别预测其他车辆驾驶动作序列方面表现如何？
• RQ3 将目标识别与MCTS结合后，对本车规划的最优性与可解释性提升程度如何？
• RQ4 该系统能否在复杂交通环境中为预测与决策生成直观且合乎逻辑的解释？
• RQ5 该系统在多种仿真城市驾驶场景中维持性能的鲁棒性如何？

主要发现

• 该系统在四种不同城市驾驶场景中均以高鲁棒性成功识别了其他车辆的目标。
• 对其他车辆的预测动作序列与实际观测行为一致，且具有理性基础。
• 通过MCTS利用识别出的目标，本车生成了近似最优的规划，仿真验证了其有效性。
• 该系统为目标识别与驾驶行为规划决策生成了直观、人类可读的解释。
• 通过共享驾驶动作空间将逆向规划与MCTS结合，提升了可解释性，同时未牺牲规划质量。
• 该方法在多样化城市场景中表现出色，显示出良好的泛化潜力。