Real-time generation of safe trajectories for autonomous vehicles in dynamic environments

Abstract

W niniejszej pracy poruszono wyzwania związane z projektowaniem i oceną algorytmów planowania ruchu pojazdów. Zaprezentowano nową metodę planowania wielohipotezowego, która ma na celu rozwiązanie problemu planowania ruchu pojazdu w sytuacjach niepewnych. Proponowana metoda uwzględnia kilka hipotez dotyczących zachowania innych użytkowników drogi, aby zapewnić bezpieczny ruch kontrolowanego pojazdu. Ponadto, w celu zapewnienia odporności systemów planowania ruchu zaprezentowano zestaw metod modelowania sensorów. Skuteczność proponowanych modeli zbadano na przykładzie systemu planowania ruchu opartego o uczenie ze wzmocnieniem, w którym modele wykorzystano w procesie uczenia, uzyskując zwiększoną odporność na różne rodzaje błędów percepcji. Przeanalizowano i omówiono wpływ wykorzystania modeli sensorów w rozwoju algorytmów autonomicznego prowadzenia pojazdów na bezpieczeństwo systemu. Aby umożliwić dokładne testowanie systemów planowania ruchu pojazdu, w szczególności tych opartych o techniki uczenia maszynowego, zaproponowano nową metodę automatycznej generacji scenariuszy testowych. Opracowana metoda generuje scenariusze antagonistyczne wraz z błędami percepcji, pozwalając na aktywną eksplorację potencjalnych słabości i błędów w testowanych algorytmach, a jej skuteczność została zaprezentowana w problemie testowania systemu planowania opartego o uczenie ze wzmocnieniem.

In this thesis, several challenges related to the design and evaluation of motion planning algorithms for autonomous driving purposes are addressed. Firstly, a novel Multiple Hypothesis Planning method is introduced to solve the problem of vehicle motion planning in uncertain situations. The proposed method takes into account several hypotheses regarding the behavior of other road users to ensure a safe motion of the control vehicle. Additionally, to ensure robustness of motion planning systems, a set of sensor modeling methods is introduced. The effectiveness of the proposed sensor models is presented in the example of Reinforcement-Learning-based motion planning system, which utilizes them in a simulation-based learning process, resulting in robust behavior in the presence of various types of perception errors. The impact of sensor model utilization in the development of autonomous driving algorithms on system performance is analyzed and discussed. Finally, to enable thorough testing of motion planning systems needed to ensure their safety, an automated scenario generation method is proposed. The effectiveness of the proposed approach is demonstrated in the task of generating adversarial test scenarios for machine learning-based driving policies, where the method has been used to produce a varied set of safety-critical test scenarios with adversarial perception error patterns.