Проблема разреженных представлений
Современные системы автономного вождения (E2E) часто используют разреженные представления (sparse representation), описывающие окружение через дискретные объекты и линии разметки. Этот подход сталкивается с критическими рисками в сложных сценариях: плотный трафик, окклюзии (скрытые объекты), неструктурированные препятствия и неопределенные зоны. В таких условиях традиционные методы не могут адекватно оценить динамику и потенциальные угрозы.
Решение: Risk-Aware Occupancy
Авторы предлагают плотное представление — Risk-Aware Occupancy. Эта методика объединяет три ключевых элемента в единую карту BEV (Bird's Eye View):
- Глобальное заполнение сцены (global scene occupancy);
- Трафик-ограничения, полученные из карт (map-derived traffic constraints);
- Будущее положение динамических агентов (future dynamic agent occupancy).
Таким образом, система явно кодирует доказательства риска как в пространственном, так и во временном измерении, что позволяет планировщику траектории принимать более безопасные решения.
Архитектура ROIDrive
Для реализации подхода разработана нейросеть ROIDrive. Она предсказывает риск-ориентированное заполнение сцены через независимый блок (branch) и инжектирует эти данные в запросы планировщика (planning queries). Это обеспечивает генерацию траекторий, ориентированных на безопасность, а не только на эффективность движения.
Новый датасет RiskOcc4D-nuScenes
Для количественной оценки безопасности исследователи создали новый датасет RiskOcc4D-nuScenes, построенный на базе существующих наборов данных nuScenes и occ3d-nuscenes. Это позволяет стандартизировать метрики оценки рисков в автономном вождении.
Результаты бенчмарков
Эксперименты на датасете nuScenes показали значительное снижение количества столкновений (collision reductions) в режиме open-loop по сравнению с базовыми методами:
| Метрика / Метод | Снижение столкновений (Relative Open-Loop Collision Reduction) |
|---|---|
| ROIDrive (UniAD metric) | 52.9% |
| ROIDrive (ST-P3 metric) | 35.0% |
Результаты демонстрируют, что явное моделирование рисков через плотное заполнение сцены является более эффективным подходом к обеспечению безопасности автономных транспортных средств, чем традиционные разреженные представления.
Источник: arXiv cs.AI ↗