Mind the Unknown
Risk- and Occlusion-Aware Motion Planning for Autonomous Vehicles
Tid: Fr 2025-05-09 kl 09.00
Plats: Kollegiesalen, Brinellvägen 8, Stockholm
Videolänk: https://kth-se.zoom.us/j/62547376681
Språk: Engelska
Respondent: Truls Nyberg , Robotik, perception och lärande, RPL
Opponent: Dr Andrea Censi, Institute for Dynamic Systems and Control, ETH Zurich
Handledare: Jana Tumova, ACCESS Linnaeus Centre, Centrum för autonoma system, CAS, Robotik, perception och lärande, RPL; Patric Jensfelt, Robotik, perception och lärande, RPL
QC 20250415
Abstract
Autonoma fordon måste fatta säkra beslut trots osäkerheter i trafiken, särskilt i riskfyllda situationer och när sikten är begränsad. Denna avhandling presenterar metoder för att planera ett fordons rörelser på ett sätt som tar hänsyn till både risker och skymda hinder. Här kombineras teoretiska resultat med praktisk validering i realistiska trafikförhållanden.
För att hantera riskerna i planeringen introducerar vi ett ramverk som systematiskt bedömer både sannolikheten och konsekvenserna av potentiella säkerhetsproblem. Detta möjliggör en mer nyanserad plan som tar hänsyn till säkerheten utan att begränsa fordonet i onödan. Vi studerar särskilt planering i stadstrafik och utvecklar en riskmodell som väger säkerhet mot effektiv framkomlighet vid möten med exempelvis fot\-gängare och cyklister.
Skymd sikt utgör en utmaning för autonoma fordon. För att bemöta detta utvecklar vi en metod baserad på räckviddsanalys och logisk slutledning, som kan resonera kring möjliga dolda trafikanter. Genom att använda tidigare observationer kan metoden utesluta omöjliga scenarier och därmed undvika överdrivet defensiva beslut. För motorvägskörning inför vi även antaganden om trafikanters möjliga accelerationer, vilket ytterligare minskar behovet av onödiga inbromsningar. Dessutom undersöker vi hur fordonskommunikation (V2X) kan användas för att dela information om skymda områden och därmed förbättra fordonens beslutsunderlag.
Slutligen föreslår vi ett planeringsramverk där en trädstruktur av möjliga rörelser kombineras med räckviddsanalys för att hantera skymd sikt. Detta tillåter att proaktivt resonera kring framtida observationer och deras möjliga frånvaro. På så sätt kan fordonen fatta säkra och effektiva beslut även när sikten är begränsad. Vår metod adresserar därmed viktiga utmaningar inom området och bidrar till att minska onödiga säkerhetsmarginaler utan att kompromissa med säkerheten. Tillsammans stärker dessa resultat autonoma fordons förmåga att navigera säkert och effektivt i komplexa trafikmiljöer. Detta öppnar för bredare användning i verkliga trafiksystem.