[论文解读] 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 3

一句话总结

本文提出了一种认知驾驶框架，通过动态贝叶斯网络和粒子滤波，联合推断城市交叉路口障碍车辆的意图和信念。通过同时建模意图和潜在的错误信念，该系统能够预测98%的碰撞——显著优于仅能避免47%即将发生碰撞的反应式规划方法。

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.

研究动机与目标

• 通过不仅建模障碍物的意图，还建模其对环境的潜在错误信念，提升自动驾驶车辆在城市环境中的碰撞避免能力。
• 解决反应式规划和仅意图预测方法的局限性，这些方法未能考虑动态交通场景中基于信念的决策行为。
• 通过采用非线性、连续状态推理框架，联合估计意图和信念，实现早期碰撞预测。
• 证明建模错误信念可提升复杂城市环境中轨迹规划的安全性和效率。
• 在具有概率性障碍物行为和传感器噪声的真实交叉路口导航场景中验证该方法。

提出的方法

• 系统使用动态贝叶斯网络（DBN）对自车和障碍物车辆的联合状态进行建模，其中状态转移依赖于意图和信念。
• 车辆动力学表示为状态、控制输入和过程噪声的非线性函数，自车的控制基于已知状态和意图。
• 障碍物车辆的控制被建模为其自身状态、对自车的信念以及其意图的函数，以反映基于信念的行为。
• 使用粒子滤波在DBN上执行非线性滤波，以联合估计意图和信念的后验分布。
• 信念状态被建模为对自车位置的噪声估计，以反映遮挡或感知误差。
• 该框架采用有限状态机，为每种意图（如左转、直行）配置手动调校的路径跟踪控制器，并结合概率决策模型以决定是否让行或继续前进。

实验结果

研究问题

• RQ1 在自动驾驶城市导航中，对障碍物车辆的意图和信念进行联合推断，是否能提升早期碰撞预测能力？
• RQ2 建模错误信念（如误判可用空间或忽略来车）如何影响碰撞避免性能？
• RQ3 所提出的认知驾驶框架在碰撞避免率方面，与纯反应式规划相比，其优越性在多大程度上体现？
• RQ4 粒子滤波在非线性、连续状态车辆动力学环境中，对意图和信念联合后验的估计效果如何？
• RQ5 传感器噪声和延迟感知对信念估计精度及后续碰撞避免的影响是什么？

主要发现

• 认知驾驶框架在仿真中成功预测了98%的即将发生碰撞，而纯反应式规划器仅能预测47%。
• 系统检测到了全部417个真实的即将发生碰撞场景（100%召回率），仅因障碍物车辆在最后一刻刹车导致13个假阳性。
• 与反应式规划相比，CDF将碰撞发生次数减少了75%，显著提升了安全性。
• 粒子滤波在非线性、连续状态空间中有效估计了意图和信念的联合后验分布，实现了准确的长期预测。
• 即使障碍物车辆对环境存在错误信念，该方法仍使自车能够足够早地启动避让制动，从而避免碰撞。
• 在真实条件下（包括传感器噪声和概率性障碍物行为，如75%的概率左转），该框架的性能表现出强鲁棒性。