原文链接：https://mp.weixin.qq.com/s/rey-Q5SlGkHpDQDaVmZ0tQ
- 论文链接：https://arxiv.org/pdf/2504.01409
- 代码链接：https://github.com/TUM-AVS/PedestrianAwareMotionPlanning
摘要
本文介绍了复杂城市场景中的行人感知自动驾驶运动规划。在复杂城市地区等不确定环境中的运动规划是自动驾驶汽车（AVs）面临的一项关键挑战。本项研究的目的是研究自动驾驶汽车是如何在拥堵、不可预测的多行人场景中导航的，同时维持了安全且高效的车辆行为。迄今为止，大多数研究工作着重于静态或者确定性的交通参与者行为。本文引入了一种在拥堵空间中进行运动规划的新算法，它将模拟逼真行人行为的社会力原则与风险感知的运动规划器相结合。本文在2D仿真环境中评估了这一新算法，以严格评估自动驾驶汽车与行人的交互，证明了所提出的算法能够实现安全、高效且自适应的运动规划，特别是在高度拥堵的城市环境中。本项研究没有考虑实时约束，并且到目前为止仅在仿真环境中演示。因此，需要进一步研究新算法在实车的完整软件栈中的表现，以研究拥堵场景中整个感知、规划和控制流程的效果。
主要贡献
本文的贡献为如下四方面：
1）本文提出了一种风险感知的运动规划算法，它可以评估碰撞概率和潜在危害，在行人密集的环境中实现安全的轨迹规划，同时缓解了机器人冻结问题；
2）本文提出了一种基于社会力动态的新型行人仿真模型，它为开发和测试逼真城市场景中的AV规划算法提供了一个自适应的环境；
3）本文在行人密集的场景中对所提出的风险感知运动规划器进行全面评估，结果表明其能够有效地管理不可预测的行人行为；
4）本文开源了所提出的运动规划器和行人仿真模型。
论文图片和表格
总结
本文提出了一种行人感知的运动规划算法，它旨在解决拥堵城市环境带来的独特挑战。本文方法将风险感知运动规划器与能够生成逼真、交互式行人行为的行人仿真器相结合。本文通过将社会力原则集成到行人仿真器中，构建了一个动态测试环境，使自动驾驶汽车能够应对拥堵且复杂的场景。通过模拟不同的场景，本文评估了风险阈值的各种配置，以平衡安全性和效率，并且评估了这些环境对自动驾驶汽车行为的影响。
本文实验结果揭示了几项关键见解：首先，精心调试风险阈值能够使自动驾驶汽车在行人密集的区域中导航，从而实现安全且高效的运动。此外，实验结果突出了与实时轨迹评估相关的计算需求，特别是在行人和其他交互目标高度密集的场景中。
对于未来研究，存在几个有前景的方向来进一步改进行人仿真模型和行人感知运动规划器。例如，通过结合特定区域的行人行为或者群体动态变化来提高仿真器的建模能力，这可以实现更精细的交互，并且有助于开发多样化的城市环境。此外，提升规划器的可扩展性和性能是至关重要的。为此，将安全性评估直接集成到C++代码库中，而不是依赖于外部进程，这可以提高运行时效率。多条轨迹的并行计算也有助于最大限度地减低延迟并且避免计算瓶颈。
进一步的改进可能包括根据环境因素来动态调整风险阈值或者评估安全指标的组合来引导轨迹选择，从而实现更灵活、更符合上下文的决策。这些改进将有助于建立一个更鲁棒、适应性更强且更可靠的运动规划系统。
发表回复