Gewährleistung der Sicherheit autonomer Fahrzeuge (AVs) in Long-Tail-Szenarien
bleibt eine entscheidende Herausforderung, insbesondere unter hoher Unsicherheit und Komplexität
Interaktionen mit mehreren Agenten. Um dies anzugehen, Wir schlagen RiskNet vor, ein
Interaktionsbewusstes Risikoprognose-Framework, was deterministisch integriert
Risikomodellierung mit probabilistischer Verhaltensvorhersage für umfassendes Risiko
Bewertung. Im Kern, RiskNet verwendet ein feldtheoretisches Modell, das erfasst
Interaktionen zwischen Ego-Fahrzeugen, umliegende Agenten, und Infrastruktur über
Wechselwirkungsfelder und Kraft. Dieses Modell unterstützt mehrdimensionale Risiken
Auswertung über verschiedene Szenarien hinweg (Autobahnen, Kreuzungen, und Kreisverkehre),
und zeigt Robustheit unter Hochrisiko- und Long-Tail-Einstellungen. Um das einzufangen
Verhaltensunsicherheit, Wir integrieren ein graphisches neuronales Netzwerk (GNN)-basierend
Flugbahnvorhersagemodul, das multimodale zukünftige Bewegungen lernt
Verteilungen. Gekoppelt mit dem deterministischen Risikofeld, es ermöglicht Dynamik,
probabilistische Risikoinferenz über die Zeit, Ermöglicht eine proaktive Sicherheitsbewertung
unter Unsicherheit. Bewertungen auf der HighD, inD, und runde Datensätze, überspannend
Spurwechsel, dreht sich, und komplexe Zusammenführungen, Zeigen Sie, dass unsere Methode
übertrifft herkömmliche Ansätze deutlich (z.B., TTC, THW, RSS, NC
Feld) in puncto Genauigkeit, Reaktionsfähigkeit, und Richtungsempfindlichkeit, während
Aufrechterhaltung einer starken Verallgemeinerung über Szenarien hinweg. Dieses Framework unterstützt
Echtzeit, szenarioadaptive Risikoprognose und zeigt Stärke
Verallgemeinerung in unsicheren Fahrumgebungen. Es bietet eine einheitliche
Grundlage für sicherheitskritische Entscheidungen in Long-Tail-Szenarien.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: