Motion Planning for Autonomous Vehicles in Partially Observable Environments

Unsicherheiten, welche aus Sensorrauschen oder nicht beobachtbaren Manöverintentionen anderer Verkehrsteilnehmer resultieren, akkumulieren sich in der Datenverarbeitungskette eines autonomen Fahrzeugs und führen zu einer unvollständigen oder fehlinterpretierten Umfeldrepräsentation. Dadurch weisen Bewegungsplaner in vielen Fällen ein konservatives Verhalten auf.

Diese Dissertation entwickelt zwei Bewegungsplaner, welche die Defizite der vorgelagerten Verarbeitungsmodule durch Ausnutzung der Reaktionsfähigkeit des Fahrzeugs kompensieren. Diese Arbeit präsentiert zuerst eine ausgiebige Analyse über die Ursachen und Klassifikation der Unsicherheiten und zeigt die Eigenschaften eines idealen Bewegungsplaners auf. ... mehrAnschließend befasst sie sich mit der mathematischen Modellierung der Fahrziele sowie den Randbedingungen, welche die Sicherheit gewährleisten. Das resultierende Planungsproblem wird mit zwei unterschiedlichen Methoden in Echtzeit gelöst: Zuerst mit nichtlinearer Optimierung und danach, indem es als teilweise beobachtbarer Markov-Entscheidungsprozess (POMDP) formuliert und die Lösung mit Stichproben angenähert wird. Der auf nichtlinearer Optimierung basierende Planer betrachtet mehrere Manöveroptionen mit individuellen Auftrittswahrscheinlichkeiten und berechnet daraus ein Bewegungsprofil. Er garantiert Sicherheit, indem er die Realisierbarkeit einer zufallsbeschränkten Rückfalloption gewährleistet. Der Beitrag zum POMDP-Framework konzentriert sich auf die Verbesserung der Stichprobeneffizienz in der Monte-Carlo-Planung. Erstens werden Informationsbelohnungen definiert, welche die Stichproben zu Aktionen führen, die eine höhere Belohnung ergeben. Dabei wird die Auswahl der Stichproben für das reward-shaped Problem durch die Verwendung einer allgemeinen Heuristik verbessert. Zweitens wird die Kontinuität in der Reward-Struktur für die Aktionsauswahl ausgenutzt und dadurch signifikante Leistungsverbesserungen erzielt. Evaluierungen zeigen, dass mit diesen Planern große Erfolge in Fahrversuchen und Simulationsstudien mit komplexen Interaktionsmodellen erreicht werden.

Uncertainties ranging from sensor noise to unobservable intentions of other traffic participants accumulate in the data processing pipeline in autonomous driving, resulting in incomplete or even misinterpreted environment representations. This frequently leads motion planning algorithms to plan motions of conservative driving style.

This dissertation develops two motion planners that compensate the deficiencies from preceding modules by exploiting reaction capabilities of a vehicle. It first presents a thorough analysis on the source and classification of uncertainties, and highlights the properties of an ideal motion planner. ... mehrIt subsequently delves into methods for modeling uncertainties and quantifying information. These are used to define a mathematical model that renders driving objectives together with constraints which ensure safety. The resulting planning problem is solved in real-time, in two distinct ways: first, with nonlinear optimization, and secondly, by framing it as a partially observable Markov decision process (POMDP) and approximating the solution with sampling. The planner utilizing nonlinear optimization considers multiple maneuvers jointly and yields a motion profile that is shaped by their individual probability. It maintains safety by ensuring the feasibility of a chance-constrained fallback option. In this way, the formulation inherently postpones maneuver decisions to a later time, whenever the current uncertainty is too high. On the other hand, planning with the POMDP framework focuses on improving sampling efficiency in Monte Carlo planning. First, it defines information rewards that guide samples to more rewarding actions. It employs a general heuristic to help sampling for the reward-shaped problem. Secondly, it exploits the continuity in the reward structure for action selection and achieves significant performance improvements especially for a higher number of actions. Evaluations show that planning with nonlinear optimization demonstrates great success both in driving experiments and in simulation studies, whereas planning with the POMDP framework is particularly well-suited for modeling complex interactions.