Planning for Automated Vehicles with respect to Uncertainties and Incomplete Knowledge

Die technologische Reife vollautomatisierter Fahrzeuge hat in den letzten Jahren stetig zugenommen und sie stehen kurz vor der Markteinführung. Die wiederholte Verzögerung ihres Einsatzes im Straßenverkehr zeigt jedoch, dass es noch viele Herausforderungen zu lösen gibt. Dabei steht der großflächige Einsatz von automatisierten Fahrzeugen im öffentlichenRaum vor den gleichen Herausforderungenwie der Mensch im alltäglichen Verkehr. Menschlich Fahrer*innen sind Expert*innen darin Situationen schnell zu erfassen. Dennoch hätten viele Unfälle durch ein besseres Bewusstsein für die aktuelle Situation und durch ein vorausschauenderes Verhalten vermieden werden können. ... mehrAuch für den Einsatz vollautomatisierter Fahrzeuge, die sich sicher in den alltäglichen Verkehr einfügen sollen, ist ein tiefes Verständnis der Situation und ein entsprechendes vorausschauendes und sicheres Verhalten erforderlich.

In dieser Dissertation wird eine Lösung für dieses Problem vorgeschlagen. Die Lösung ist in drei Teile unterteilt. Zunächst wird gezeigt, wie ein umfassendes Situationsbewusstsein erreicht werden kann. Dann wird erforscht, wie Wissenslücken geschlossen oder quantifiziert werden können, indem ein Belief des aktuellen Zustands der Umgebung aufgebaut wird. Schließlich werden Strategien für vorausschauendes und risikobewusstes Verhalten und die Trajektorienplanung auf Basis des zuvor aufgebauten Beliefs vorgestellt. Der Belief spiegelt wider, wie sicher man sich über die Genauigkeit der verfügbaren Informationen ist und, was noch wichtiger ist, über die Bereiche, für die keine Informationen bereitgestellt werden.

Ein umfassendes Situationsbewusstsein wird durch die Analyse der Komponenten der automatisierten
Fahrfunktionen und die Offenlegung von Unsicherheiten und potenziellen Wissenslücken erreicht. Anschließend wird ein Umgebungsmodell vorgestellt, das die Verkehrssituation vollständig abbildet, einschließlich sichtbarer und verdeckter Verkehrsteilnehmenden und der entsprechenden Unsicherheiten. Dabei wird der Fokus auf Unsicherheiten gelegt, die nicht direkt gemessen werden können. Ein hohes Maß an Szenenverständnis ist erforderlich, um hier Rückschlüsse zu ziehen. Als besonders relevant werden die unbekannten Intentionen der anderen Verkehrsteilnehmenden und verdeckte Verkehrsteilnehmende identifiziert.

Der Belief über den aktuellen Zustand der Umgebung wird dann erweitert und konkretisiert. Hierfür werden neuartige Methode zur Schätzung von Intentionen, ein zweigeteilter Ansatz für das Tracking verdeckter Bereiche, ein Ansatz zur Inferenz der Existenz von Verkehrsteilnehmenden in eben diesen verdeckten Bereichen sowie ein gelerntes Prädiktionsmodell, das für Verkehrsszenen mit verdeckten Bereichen geeignet ist, vorgestellt. Die vorgestellten Ansätze nutzen Kontextwissen, um die Situation genau einzuschätzen, wobei explizit Informationen über sichtbare und verdeckte Verkehrsteilnehmende einbezogen werden.

Der letzte Teil zeigt Strategien für eine sichere, risikobewusste und vorausschauende Planung von Manövern und Trajektorien auf der Grundlage des vertieften Beliefs. Dafür wird zunächst ein Manöverplaner auf der Basis von partiell beobachtbaren Markov-Entscheidungsprozessen (POMDP) präsentiert. Durch die Verwendung eines generischen Sichtfelds können vorausschauende Entscheidungen an Kreuzungen mit Verdeckungen getroffen werden, indem präzise Annahmen über zukünftige Beobachtungen gemacht werden können. Der anschließende Trajektorienplaner bestimmt risikobewusste Trajektorien. Das Risiko aus verschiedenen Quellen wie multimodalen Prädiktionen und verdeckten Bereichen wird über die Zeit zu sogenannten "risk maps over time" kombiniert. Diese quantifizieren die Risiken räumlich und zeitlich. Schließlich wird eine neuartige Methode für die sichere Anwendung von maschinellem Lernen in sicherheitskritischen Komponenten wie der Trajektorienplanung gezeigt, indem maschinelles Lernen zur Generierung von initialen Trajektorien (Samples) für einen Sampling-basierten Bewegungsplaner für dynamische Umgebungen eingesetzt wird.

Die Evaluierungen der Konzepte wurden mit mehreren Testfahrzeugen des FZI Forschungszentrum Informatik und Fahrzeugen von Projektpartnern oder der Simulation durchgeführt, um den Mehrwert der beschriebenen Methoden zu demonstrieren.

The technological readiness of fully automated vehicles has steadily increased in recent years, and they are about to be launched on the market. However, the repeated delay in deploying fully automated vehicles in road traffic shows that there are still many challenges to solve. Thereby, the large-scale deployment of automated vehicles in public environments is confronted with the same challenges as humans in everyday traffic. Although human drivers are experts in understanding situations quickly and have a presentiment for dangerous situations, many accidents could have been avoided with better awareness of the current situation and more foresighted behavior. ... mehrA deep understanding of the situation and the corresponding anticipatory and safe behavior is required to deploy fully automated vehicles where they safely flow with regular traffic.

This dissertation proposes a solution to the problem in three steps. First, it is shown how situational awareness can be achieved. Then, it is researched how gaps in knowledge can be closed or quantified by building a belief of the current state of the environment. Last, strategies for foresighted and risk-aware behavior and trajectory planning based on the afore-built belief are presented.

Thorough situational awareness is obtained by analyzing the components of the automated driving functions and revealing uncertainties and potential gaps in knowledge. Afterward, an environment model is proposed to fully represent the traffic situation, including visible and occluded traffic participants and the corresponding uncertainties. The focus is set on uncertainties that cannot be measured directly due to a lack of knowledge because these problematic aspects require a high level of scene understanding. The unknown intentions of other road users and occluded traffic participants are identified as particularly relevant.

The belief about the current state of the environment is then enriched using novel methods for estimating intentions, a dual approach for tracking occluded areas, an approach for inferring the existence of road users in precisely these occluded areas, and a learned prediction model suitable for traffic scenes with occluded areas. The belief reflects how certain one is about the accuracy of the available information and, even as important, of the parts where no information is provided. The presented approaches leverage context knowledge to accurately estimate the situation, explicitly including information about visible and occluded traffic participants.

The last section shows strategies for safe, risk-aware, and foresighted planning based on the enriched belief. Therefore, a maneuver planner based on Partially Observable Markov Decision Processes is proposed that anticipatory deals with occluded intersections through a generic field of view that allows reasoning about future observations. The subsequent trajectory planner determines risk-aware trajectories. The risk from various sources like multi-modal predictions and occluded areas is combined into risk maps over time to quantify risks spatially and temporally. Finally, a novel method for the safe application of machine learning in safety-critical components like the trajectory planner is shown using machine learning to generate initial trajectories (samples) for a sampling-based motion planner for dynamic environments.

The evaluations of the concepts were performed with multiple test vehicles of the FZI Research Center for Information Technology and vehicles of project partners or the simulation to demonstrate the added value of the methods described.