Assurer la sécurité des véhicules autonomes (AV) dans des scénarios à longue traîne
reste un défi crucial, en particulier dans un contexte d'incertitude élevée et de complexité
interactions multi-agents. Pour résoudre ce problème, nous proposons RiskNet, un
cadre de prévision des risques prenant en compte les interactions, qui intègre le déterminisme
modélisation des risques avec prédiction probabiliste du comportement pour un risque global
évaluation. À la base, RiskNet utilise un modèle théorique de terrain qui capture
interactions entre véhicules du moi, agents environnants, et les infrastructures via
champs d'interaction et force. Ce modèle prend en charge le risque multidimensionnel
évaluation à travers divers scénarios (autoroutes, carrefours, et ronds points),
et fait preuve de robustesse dans des contextes à haut risque et à longue traîne. Pour capturer le
incertitude comportementale, nous incorporons un réseau neuronal graphique (GNN)-basé
module de prédiction de trajectoire, qui apprend le mouvement futur multimodal
distributions. Couplé au champ de risque déterministe, il permet une dynamique,
inférence probabiliste de risque dans le temps, permettant une évaluation proactive de la sécurité
dans l'incertitude. Des évaluations en haute qualité, Indiana, et ensembles de données ronds, s'étendant
changements de voie, tourne, et fusions complexes, démontrer que notre méthode
surpasse considérablement les approches traditionnelles (par ex., TTC, THW, RSS, Caroline du Nord
Champ) en termes de précision, réactivité, et sensibilité directionnelle, alors que
maintenir une forte généralisation à travers les scénarios. Ce cadre prend en charge
en temps réel, prévision des risques adaptative aux scénarios et démontre une solide
généralisation dans des environnements de conduite incertains. Il offre un
fondement de la prise de décision critique pour la sécurité dans les scénarios à longue traîne.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: